融合多级引导与注意力机制的医学图像分割方法OA

在Transformer架构应用于医学图像分割任务中,尽管具备长程依赖建模优势,能够有效提取全局特征,但其在建模局部上下文关系方面仍存在不足,难以准确刻画细粒度结构信息。针对现有方法普遍采用卷积模块弥补局部建模缺陷却易引发特征表达不一致的问题,提出一种多层次语义引导解码器。该解码器由跳跃融合模块和多维注意力模块组成,前者通过建立高低层特征间的高效信息融合机制,增强语义信息传递与细节保持能力;后者集成通道注意力、全局注意力和多尺度注意力,从多个维度协同优化特征表达。在保持模型计算开销适中的前提下,该方法在Synapse、ACDC与CVC-ClinicDB三个公开医学图像分割数据集上分别取得84.12%、92.37%和95.35%的Dice系数,验证了其良好的分割效果与泛化能力。