多级特征增强的TransUnet医学图像分割方法OA
针对TransUnet在分割边缘复杂、目标形态各异的医学图像时,存在特征信息表达不足和训练效率偏低问题,提出一种多级特征增强的TransUnet医学图像分割方法(BAC-TransUnet)。该方法针对医学图像目标结构差异大、纹理细节丰富、图像分辨率偏低等特点,以TransUnet为主干网络,构建嵌入通道注意力的特征增强残差网络,强化模型对病灶通道特征的提取能力;采用双层路由注意力机制,通过区域路由筛选出关键特征,以实现高效精准的注意力计算;引入跨层级特征补充机制,设置跨层路径传递边缘强化的补充特征,提升医学特征复用效率。在Synapse和ACDC数据集上,与6种先进方法的对比实验表明,本文方法在Dice相似性系数和豪斯多夫距离两项指标上均为最佳。
陈凌轩;吕莉;夏志红;樊棠怀;陈文平
江西水利电力大学信息工程学院,江西南昌330099 江西省水利大数据智能处理与预警技术工程研究中心,江西南昌330099江西水利电力大学信息工程学院,江西南昌330099 江西省水利大数据智能处理与预警技术工程研究中心,江西南昌330099江西水利电力大学信息工程学院,江西南昌330099江西水利电力大学信息工程学院,江西南昌330099 江西省水利大数据智能处理与预警技术工程研究中心,江西南昌330099江西水利电力大学信息工程学院,江西南昌330099 江西省水利大数据智能处理与预警技术工程研究中心,江西南昌330099
信息技术与安全科学
医学图像分割TransUnet注意力机制残差网络
《江西水利电力大学学报》 2026 (3)
P.89-99,11
国家自然科学基金项目(62066030)。
评论