语义流引导采样结合注意力机制的脑肿瘤图像分割OA北大核心CSTPCD
U型网络结构的脑肿瘤自动分割方法由于多次卷积和采样操作会造成信息损失,导致分割效果不佳。为解决这一问题,提出了能够利用语义信息流引导上采样特征恢复的特征对齐单元,并在此基础上设计轻量级的双重注意力特征对齐网络(DAFANet)。首先,将特征对齐单元分别引入3D UNet、DMFNet和HDCNet三个经典网络,以验证其有效性和泛化性。其次,在DMFNet基础上构造轻量级的双重注意力特征对齐网络DAFANet,利用特征对齐单元强化上采样过程中的特征恢复,3D期望最大化注意力机制同时作用于特征对齐路径和级联路径,用于重点获取上下文的全程依赖关系。同时使用广义Dice损失函数提升数据不平衡时的分割精度并加快模型收敛。最后,在BraTS2018和BraTS2019公开数据集进行验证,文中所提算法在ET,WT和TC区域的分割精度分别达到80.44%,90.07%,84.57%和78.11%,90.10%,82.21%。相较于当前流行的分割网络,具有对增强肿瘤区域更好的分割效果,更擅长处理细节和边缘信息。
宋建丽;吕晓琪;谷宇;
内蒙古科技大学信息工程学院,内蒙古包头市014010内蒙古科技大学信息工程学院,内蒙古包头市014010 内蒙古工业大学信息工程学院,内蒙古呼和浩特010051
计算机与自动化
脑肿瘤图像分割特征对齐注意力机制轻量化
《光学精密工程》 2024 (004)
P.565-577 / 13
国家自然科学基金项目(No.62001255,No.61841204,No.61771266);中央引导地方科技发展资金项目(No.2021ZY0004);内蒙古自治区高等学校青年科技英才支持项目(No.NJYT23057);内蒙古自治区自然科学基金(No.2019MS06003,No.2015MS0604);内蒙古科技大学基本科研业务费专项资金优秀青年基金(No.042);内蒙古自治区高等学科科学技术研究项目(No.NJZY145);教育部“春晖计划”合作科研项目(No.教外司留[2019]1383号)。
评论