基于跨尺度注意力融合的增强U-Net医学图像分割OA
在医学图像研究领域,图像分割技术已成为临床诊疗的核心支撑技术。其中,标准U-Net架构作为图像分割的经典模型,在实际应用中仍然面临长距离依赖建模能力不足、多尺度信息整合能力弱等问题。针对这些问题,文章提出了一种增强U-Net网络,旨在改善医学图像分割性能。通过使用跨尺度上下文注意力融合模块(SCAM),增强特征聚合的能力与全局像素级依赖性捕获能力;再在跳跃连接中嵌入多尺度增强模块(MSE),全局平均池化提取上下文语义,全局最大池化保留关键细节。在ISIC2017、DSB2018等医学影像数据集上进行实验,其中在ISIC2017数据集上Dice为93.26%,IoU为88.01%,Accuracy为96.12%,HD95为4.3131。实验结果表明模型的性能在评估指标上各有不同程度的提升,证明了所用模型在多个数据集上提高了分割性能。
钱超;吴市立;章新友
江西中医药大学智能医学与信息工程学院,江西南昌330004江西中医药大学智能医学与信息工程学院,江西南昌330004江西中医药大学智能医学与信息工程学院,江西南昌330004
信息技术与安全科学
跨尺度融合医学图像分割注意力机制跳跃连接
《现代信息科技》 2026 (13)
P.159-165,7
国家自然科学基金项目(NO.82360992)江西省中医药管理局癌病方证信息数据挖掘重点研究室(NO.ZDYJS202202),江西省中医药管理局科技计划重点项目(NO.2022Z007)。
评论