基于多尺度卷积与并行反向注意力的医学图像分割

摘要

提出一种基于多尺度卷积与并行反向注意力的医学图像分割网络（RPR-MLP）。在编码器阶段，采用Res2net模块和标记化多层感知机模块作为骨干结构，以提取多尺度信息并增强语义特征的多样性。与此同时，通过并行的部分解码器提高解码器中提取语义信息的准确性。此外，反向注意力模块再次强调对重要区域的关注，进一步提高分割结果的精确性。本文提出的网络在Kvasir和ISIC 2018两个公共数据集上的Dice相似系数（DSC）分别为0.8967、0.8762，证明本文网络对医学图像分割的有效性，同时具有较强的泛化能力。将该方法应用于肺肿瘤CT图像LungCancer数据集，评价指标DSC、IoU和F1分别为0.727 8、58.83%和67.85%，其结果与基准网络UNeXt和普通CNN网络U-Net、AttU-Net、U-Net++、PraNet相比，DSC、IoU和F1提升幅度分别为0.030 1～0.057 8、3.16%～4.70%和6.72%～18.53%，结果表明本文提出的网络性能明显优于对比方法。本研究证明RPR-MLP在不同数据集上的有效性和泛化能力，为肺肿瘤图像分割提供重要的技术支持。

关键词

医学图像分割 / 多尺度卷积 / 多层感知机 / 部分解码器 / 反向注意力模块