SUnet：基于多重注意力的多器官分割网络

SUnet：基于多重注意力的多器官分割网络

引用

CSDN

1.

https://blog.csdn.net/weixin_56097064/article/details/145244238

本文介绍了一种基于Transformer的医学图像分割网络SUnet，该网络在腹部和胸部多器官分割任务中取得了优异的性能。SUnet通过引入高效的特征融合模块和空间缩减注意力机制，不仅提高了分割精度，还减少了模型参数量。

一、研究背景与挑战

腹部和胸部CT图像中的器官分割在医学诊断中发挥着至关重要的作用。然而，自动分割仍然面临诸多挑战，包括周围组织的干扰、器官变形或移位，以及低图像对比度导致的边界不清晰等问题。

二、SUnet模型创新点

SUnet是一个完全基于注意力机制的神经网络，其主要创新点包括：

1. 高效空间缩减注意力（ESRA）模块：通过卷积运算压缩键和值，减少模型参数并减轻过拟合。
2. 多重注意力特征融合模块：实现有效的跨尺度特征融合，增强模型的语义理解能力。
3. 增强型注意力门（EAG）模块：采用分组卷积和残差连接，提供更丰富的语义特征。

三、模型架构与关键技术

整体架构

SUnet采用U形编码器-解码器结构，通过跳跃连接传递低级语义信息。模型的关键组件包括：

• ESRA Transformer块：用于特征提取，通过卷积压缩键和值。
• Mix-FFN模块：在两个线性层之间使用深度卷积，增强特征表达能力。
• EFF模块：由EAG、ECA和SA组成，实现多维度特征融合。

图1：SUNet架构图

ESRA Transformer模块

ESRA通过卷积运算压缩多头自注意力机制中的键和值，减少模型参数。同时，引入dropkey机制来缓解过拟合问题。

高效特征融合模块

• EAG模块：采用分组卷积和残差连接，增强特征融合效果。
• EFF模块：结合ECA和SA，从通道和空间两个维度强调相关特征。

图3：ECA和SA串联结构

四、实验结果

数据集

• Synapse数据集：包含30张标记腹部CT扫描和3779张增强腹部图像，涉及8个器官的分割任务。
• ACDC数据集：包含100名患者的心脏MRI扫描，涉及左心室、右心室和心肌的分割。

主要结果

• 在Synapse数据集上，SUnet的平均Dice系数达到84.29%。
• 在ACDC数据集上，SUnet的平均Dice系数达到92.25%。

表1：不同模型在Synapse数据集上的结果

图8：SUnet 模型在 ACDC 数据集上的结果

五、总结与展望

SUnet通过创新的特征融合机制和参数优化策略，在保持高精度的同时减少了模型复杂度。未来研究将探索更高效的全局和局部特征融合方法，以进一步提升医学图像分割的性能。

本文原文来自CSDN