10.3969/j.issn.1000-1220.2021.11.021
结合多分支结构与自注意力机制的医学图像分割模型及其应用
针对U-Net网络在图像特征提取的过程中易造成信息丢失而导致分割效果不理想的问题,本文提出了一种结合多分支结构与自注意力机制的U-Net模型(Self-attention Inception U-Net,SAIU-Net),并将其在医学影像分割方面进行应用.该模型融合了Inception和Residual网络的优点,在基础的U-Net网络模型中嵌入多分支残差模块,拓展网络宽度,充分提取多尺度信息,避免网络退化问题.此外,所提模型在编码和解码网络之间引入自注意力机制模块,捕获特征之间位置的关联性,提高分割精度.通过对来自肺部、眼球血管、肾部3个医学图像数据集上的医学影像进行仿真实验,可以发现,改进的U-Net模型在DICE相似性系数、准确性、特异度等多项评价指标上均高于已有医学图像分割方法.实验结果表明,该算法能够有效的提高医学图像的分割精度.
深度学习;卷积神经网络;医学图像分割;注意力机制
42
TP391(计算技术、计算机技术)
国家自然科学基金项目61773218
2021-11-29(万方平台首次上网日期,不代表论文的发表时间)
共7页
2375-2381