AConvLSTM U-Net：基于双向稠密连接和注意力机制的多尺度颌骨囊肿分割模型

摘要

目的 提出一种基于双向稠密连接和注意力机制的多尺度颌骨囊肿分割模型（AConvLSTM U-Net），实现颌骨囊肿图像的准确自动分割。方法 使用含有2592张颌骨囊肿图像数据集。首先，AConvLSTM U-Net在编码路径上设计移动翻转瓶颈卷积模块（MBC）以增强特征提取能力。其次，采用双路径稠密卷积（DPD）连接编码器和解码器，在跳跃连接中引入双向ConvLSTM以获取丰富的语义信息。然后，解码路径上使用基于空间和通道注意力的解码块（scSE），以提升对重要信息的关注。最后，设计了全尺寸深度监督模块（DS），并结合联合损失函数对模型进行优化，以进一步提高分割精度。结果AConvLSTM U-Net在颌骨囊肿病灶分割的实验结果在MCC、DSC和JSC方面分别达到93.8443%、93.9067%、88.5133%，性能均优于所有被比较的分割模型。结论 所提出的算法在颌骨囊肿数据集上表现出较高的准确性与鲁棒性，优于多种主流方法，展现了AConvLSTM U-Net在颌骨囊肿图像分割的优越性能和辅助诊断的巨大潜力。

关键词

注意力机制 / 多尺度颌骨囊肿分割模型 / 稠密卷积