一种利用特征交互与融合的有效 UNet 用于医学图像器官分割
计算机视觉与模式识别
2025-07-29 v2
摘要
如今，预训练编码器因其提取丰富且泛化特征表示的强大能力而被广泛用于医学图像分割。然而，现有方法通常未能充分利用这些特征，限制了分割性能。在这项工作中，提出了一种新型 U 型模型来解决上述问题，该模型包含三个即插即用模块。引入了通道空间交互模块，通过对编码器和解码器之间的阶段间交互进行建模来提高跳跃连接特征的质量。在解码器块中采用了基于通道注意力的模块，该模块将 squeeze-and-excitation 机制与卷积层相结合，以增强关键特征的表示并抑制无关特征。设计了多级融合模块来聚合多尺度解码器特征，提高了最终预测中的空间细节和一致性。在 synapse 多器官分割数据集和自动心脏诊断挑战数据集上的综合实验表明，所提出的模型优于现有的最先进方法，分别实现了 86.05% 和 92.58% 的最高平均 Dice 分数，分别提高了 1.15% 和 0.26%。此外，该模型在精度和计算复杂度之间提供了平衡，仅具有 86.91 百万个参数和 23.26 giga floating-point operations。
引用
@article{arxiv.2409.05324,
title = {An Effective UNet Using Feature Interaction and Fusion for Organ Segmentation in Medical Image},
author = {Xiaolin Gou and Chuanlin Liao and Jizhe Zhou and Fengshuo Ye and Yi Lin},
journal= {arXiv preprint arXiv:2409.05324},
year = {2025}
}