多尺度融合注意力机制改进U-Net实现肺部感染区域分割

作者：彭宝玉; 曹立佳^*

来源：国外电子测量技术, 2023, 42(10): 177-183.

DOI：10.19652/j.cnki.femt.2305144

• 医学图像分割
• U-Net
• 注意力机制
• 空洞卷积

在计算机辅助诊断中，医学图像分割起着至关重要的作用。深度学习(deep learning, DL)算法已经被广泛运用于医学图像分割，由于医学图像的可变性很大，精准分割成为一项极具挑战性的任务。针对传统U-Net对形状多变、区域分散的肺部感染图像影响分割效果等问题，提出来一种基于改进U-Net的新型图像分割网络。首先，在编码器的深层利用多层不同的卷积核设计多尺度融合空洞卷积块，增大感受野，提取更多有效信息；其次，在传统编码器的每层下采样前加入混合注意力机制，分别提取浅层和深层特征，更好的捕捉特征的上下文信息；最后，在解码器中将转置矩阵替换为双线性插值，保持上采样和下采样后图像的尺寸相同，避免上采样后丢失重要特征。与其他先进网络在3个数据集上进行比较实验，证明了其有效性。其中肺部感染分割的平均交并比(mean intersection over union, MIoU)相较于U-Net和SegNet分别提升1.47%、0.41%。

• 单位
  四川轻化工大学