10.11772/j.issn.1001-9081.2021101737
面向医学图像分割的多注意力融合网络
在深度医学图像分割领域中,TransUNet是当前先进的分割模型之一.但其编码器未考虑相邻分块之间的局部联系,在解码器上采样过程中缺乏通道间信息的交互.针对以上问题,提出一种多注意力融合网络(MFUNet)模型.首先,在编码器部分引入特征融合模块(FFM)来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系;其次,在解码器部分引入双通道注意力(DCA)模块来融合多级特征的通道信息,以增强模型对通道间关键信息的敏感度;最后,通过结合交叉熵损失和Dice损失来加强模型对分割结果的约束.在Synapse和ACDC公共数据集上进行实验,可以看出,MFUNet的Dice相似系数(DSC)分别达到了81.06%和90.91%;在Synapse数据集上的Hausdorff距离(HD)与基线模型TransUNet相比减小了11.5%;在ACDC数据集中右心室和心肌两部分的分割精度与基线模型TransUNet相比分别提升了1.43个百分点和3.48个百分点.实验结果表明,MFUNet在医学图像的内部填充和边缘预测方面均能实现更好的分割效果,有助于提升医生在临床实践中的诊断效率.
医学图像分割、多器官、自注意力、通道注意力、深度学习
42
TP391.41(计算技术、计算机技术)
国家自然科学基金11905153
2022-12-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
3891-3899