基于改进U-Net融合注意力机制的脑白质病变分割

摘要

脑白质病变分割方法因存在小病灶漏检率高、难以兼顾全局与局部特征的问题，导致分割精度受限。提出一种基于改进U-Net融合注意力机制的模型用于脑白质病变分割。首先，选取深度为15层的U-Net作为骨干网络；在编码阶段嵌入多尺度特征校准模块，利用其双分支结构同步捕获局部细节与全局上下文信息；其次，设计多步特征增强模块实现跨层特征融合，增强对微小病灶的感知能力；然后，设计跨层特征集成模块通过构建不同深度的特征提取路径，实现对编码器各层级特征图的精细化处理与多尺度特征融合；最后，设计边界召回损失函数，通过Sobel梯度对齐机制提升边界分割精度。在2017 WMH分割挑战赛数据集与武汉同济医院脑白质数据集上的实验结果显示，该模型的Dice相似系数分别达到0.8318和0.8545，召回率分别达到0.8547和0.8851。这表明该研究可以有效且精准地分割脑白质病变图像。

关键词

图像分割 / 脑白质病变 / 多尺度特征校准 / 注意力机制