融合多尺度语义和剩余瓶颈注意力的医学图像分割

作者：徐蓬泉; 梁宇翔; 李英

来源：计算机工程, 2023, 49(10): 162-170.

DOI：10.19678/j.issn.1000-3428.0065985

• 深度学习
• 语义分割
• U-Net结构
• 剩余瓶颈结构
• 注意力机制

在实际应用中U-Net由于使用单一卷积核以及跳跃连接运算时编解码器间存在语义差距，导致分割不同类型的医学图像时泛化性能降低。鉴于此，基于U-Net结构构建一种轻量灵活的医学图像分割模型（LFUNet）。在编码器和解码器上，构建多尺度语义（MS）模块，每个MS模块使用不同的小卷积核序列等价代替较大的卷积核进行卷积运算，获得不同的感受野，从而捕获不同层次的语义特征。建立集成剩余瓶颈结构和注意力机制的剩余瓶颈注意力（RBA）模块，跳跃连接嵌入RBA模块后能缩小编码器和解码器的语义差距，且使模型更关注目标区域。MS模块的小卷积核序列和RBA模块的逆残差结构具有较少的参数量，从而使LFUNet的总参数量仅为U-Net的1/3，大幅降低了模型复杂度并提高了网络运行效率。在4个公共生物医学图像数据集上的对比实验结果表明，LFUNet的Jaccard系数均值相比于U-Net分别提高了3.184 6、11.936 6、4.243 8、0.114 4个百分点，具有更高的分割精度及泛化性能。

• 单位
  青岛大学