引入分组注意力的医学图像分割模型

摘要：

目的 卷积神经网络结合U-Net架构的深度学习方法广泛应用于各种医学图像处理中,取得了良好的效果,特别是在局部特征提取上表现出色,但由于卷积操作本身固有的局部性,导致其在全局信息获取上表现不佳.而基于Transformer的方法具有较好的全局建模能力,但在局部特征提取方面不如卷积神经网络.为充分融合两种方法各自的优点,提出一种基于分组注意力的医学图像分割模型(medical image segmentation module based on group attention,GAU-Net).方法 利用注意力机制,设计了一个同时集成了 Swin Transformer和卷积神经网络的分组注意力模块,并嵌入网络编码器中,使网络能够高效地对图像的全局和局部重要特征进行提取和融合;在注意力计算方式上,通过特征分组的方式,在同一尺度特征内,同时进行不同的注意力计算,进一步提高网络提取语义信息的多样性;将提取的特征通过上采样恢复到原图尺寸,进行像素分类,得到最终的分割结果.结果 在Synapse多器官分割数据集和ACDC(automated cardiac diagnosis challenge)数据集上进行了相关实验验证.在Synapse数据集中,Dice值为82.93％,HD(Hausdorff distance)值为12.32％,相较于排名第2的方法,Dice值提高了 0.97％,HD值降低了5.88％;在ACDC数据集中,Dice值为91.34％,相较于排名第2的方法提高了 0.48％.结论 本文提出的医学图像分割模型有效地融合了 Transformer和卷积神经网络各自的优势,提高了医学图像分割结果的精确度.

关键词：深度学习、卷积神经网络(CNN)、医学图像分割、U-Net、分组注意力、Swin Transformer

所属期刊栏目：28

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：3231-3242