针对UNet架构在医学图像分割中捕捉局部特征及保留边缘细节的局限性,提出了一种融合自注意力机制的改进型UNet算法。该算法基于传统编码-解码结构,引入多尺度卷积(Multi-scale convolution, MSC)模块以实现多粒度特征提取,同时集成卷积-自注意力(Convolution mixer attention, CMA)模块,结合卷积层的局部特征建模和自注意力层的全局上下文建模。在BUSI和DDTI数据集分割任务中,相比现有经典网络架构,大量实验数据验证了本模型优异的分割能力。此外,统计学数据分析、消融实验进一步验证了MSC和CMA模块的有效性。该研究为高精度医学图像分割提供了一种创新方法,对于促进医学诊断的精确性和效率具有重要的理论与实践意义。
来源出处
集成自注意力机制的医学图像分割方法
http://sjcj.nuaa.edu.cn/sjcjycl/article/abstract/202405015
相关内容
发布日期
03/22/2024 - 09:16
发布日期
01/10/2022 - 19:32
发布日期
06/17/2022 - 10:21
发布日期
08/14/2023 - 22:13
发布日期
01/10/2022 - 19:31
发布日期
08/04/2020 - 01:35
发布日期
10/23/2023 - 23:25
发布日期
10/31/2021 - 01:47
发布日期
01/10/2022 - 19:31
发布日期
10/31/2021 - 01:47
发布日期
10/31/2021 - 01:48
发布日期
01/10/2022 - 19:31
发布日期
10/31/2021 - 01:47
发布日期
10/31/2021 - 01:22
发布日期
10/31/2021 - 01:12
发布日期
06/17/2022 - 10:21
发布日期
06/17/2022 - 10:21
发布日期
12/09/2023 - 01:01
发布日期
08/04/2020 - 01:35
发布日期
07/31/2024 - 18:08