MFMANet：一种融合多尺度特征的多重注意力医学图像分割网络

摘要

医学图像分割研究在推动高效且精确的自动化图像处理技术方面具有重要意义。然而，为解决医学图像中存在的器官组织形状差异大、边界模糊等导致图像分割结果不准确的问题，提出一种MFMANet新型网络，该网络以“U”型架构为基础，并集成了多尺度信息融合模块和多重注意力模块。具体而言，多尺度信息融合模块通过捕捉网络浅层中的多尺度信息，以弥补编码器和解码器特征之间的语义差距，从而提升了网络应对器官尺寸差异大问题的能力。同时，网络使用多重注意力方法，利用Swin Transformer作为网络深层编解码器，采用通道、空间注意力取代传统的跳跃连接，进而实现了特征信息的更精细提取，以应对边界模糊问题。通过在ACDC和Synapase这两个公共数据集上进行实验，结果显示，与MTUNet方法相比，该方法在骰子相似系数这一关键指标上取得了1.51%和1.29%的显著提升，充分证明了该方法在提高分割网络准确性方面的有效性。

关键词

医学图像分割 / 多尺度信息融合 / 注意力机制