基于多尺度注意力的器官图像分割方法

摘要

图像分割技术是医学图像研究领域的重要分支，该技术有助于医生对癌症的诊断和治疗。为进一步提高图像分割的精确度，本文提出一种多尺度轴向注意力模型MAU-Net(multi-scale axial attention U-Net)用于器官图像分割。首先，该模型在编码器阶段采用深度残差网络来提取图像特征，提高模型泛化能力；其次，使用像素块融合模块(pixels fuse module, PFM)对编码器的特征信息进行再编码和线性增强，增强特征的位置信息提取能力；最后，在解码器间加入多分支轴向注意力模块(multi-branch axial attention module, MAM)来捕捉上下文信息，从而增强模型识别关键特征信息能力。在Synapse、ACDC、SegTHOR等多个多器官图像数据集上的实验结果表明，MAU-Net在器官识别和边缘预测方面均能实现更好的效果。

关键词

图像分割 / 器官分割 / 注意力机制 / 胸腹部器官 / 深度学习