A4-Unet：用于脑肿瘤分割的可变形多尺度注意力网络
计算机视觉与模式识别
2024-12-10 v1 人工智能
摘要
脑肿瘤分割模型近年来已有助于诊断。然而，它们面临 MRI 的复杂性和可变性挑战，包括不规则形状和不清晰的边界，导致噪声、误分类和不完整的分割，从而限制了准确性。为解决这些问题，我们遵循一种杰出的卷积神经网络 (CNN) 设计范式，提出一种新型网络称为 A4-Unet。在 A4-Unet 中，在编码器中引入可变形大核注意力 (DLKA)，以 improved 捕获多尺度肿瘤。在瓶颈中采用带有跨通道注意力的可变形空间金字塔池化 (SSPP)，进一步研究图像中的长距离依赖关系和通道关系。为提高准确性，在解码器中引入具有离散余弦变换 (DCT) 正交性的组合注意力模块 (CAM)，用于通道加权和卷积元素级乘法，以进行空间加权。在跳跃连接中添加注意力门 (AG)，以突出前景并抑制不相关的背景信息。我们在三个权威的 MRI 脑肿瘤基准数据集和一个专有数据集上评估了所提出的网络，在 BraTS 2020 数据集上实现了 94.4% 的 Dice 分数，从而建立了多个新的 state-of-the-art 基准。代码可在此处获取：https://github.com/WendyWAAAAANG/A4-Unet。
引用
@article{arxiv.2412.06088,
title = {A4-Unet: Deformable Multi-Scale Attention Network for Brain Tumor Segmentation},
author = {Ruoxin Wang and Tianyi Tang and Haiming Du and Yuxuan Cheng and Yu Wang and Lingjie Yang and Xiaohui Duan and Yunfang Yu and Yu Zhou and Donglong Chen},
journal= {arXiv preprint arXiv:2412.06088},
year = {2024}
}
备注
8 pages, 14 figures, IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2024