基于多尺度频域特征与空间注意力的多器官分割网络OA

为解决多器官分割中受大小不一、形状多样、几何结构复杂等因素的影响,提出了一种基于MFSA-Net(multi-scale frequency spatial attention network)的多器官分割方法。利用多层级、多方向频域分解获取不同尺度的多器官频域特征表达,以有效扩大感受野并提高网络浅层语义特征的辨识性;提出多层次门控注意力机制,实现局部细粒度特征和长距离依赖的融合,聚焦关键目标并抑制背景区域;针对器官的结构差异和多样性,设计了方向增强双分支空间注意力模块,以深度融合边缘像素的空间位置和灰度分布特征,提高模型的空间特性捕获能力。实验结果表明,所提方法可以有效分割尺度差异大、结构复杂的多器官,在Synapse和ACDC数据集的平均DSC分别达到了81.66%和91.61%,优于现有主流方法。