基于边界感知与特征融合的病理图像分割网络

摘要

针对病灶形态多样性引发的病理图像识别精度不足及特征融合过程中的语义鸿沟问题，提出一种融合Transformer与注意力机制的改进型U-Net架构.首先，设计边界感知模块强化病理图像的病灶边缘特征表达，提升模型对复杂结构的感知能力；其次，在瓶颈层引入正则化大核注意力模块以建模长程依赖，并通过逐层正则化策略缓解过拟合风险；最后，进一步引入可学习的视觉中心模块，增强全局与局部特征之间的互补.在数据集MoNuSeg和GlaS上的实验结果表明，该方法在分割精度、边界清晰度方面均优于当前主流模型.

关键词

边界感知 / 特征融合 / 病理图像 / 图像分割 / 卷积神经网络 / Transformer架构