用于自动胎儿头部分割的Attention-ResUNet
摘要
超声图像中自动胎儿头部分割对于产前护理中的精确生物特征测量至关重要。虽然现有的深度学习方法已取得合理性能，但它们难以处理超声图像固有的低对比度、噪声和复杂的解剖边界等问题。本文提出了Attention-ResUNet。这是一种新颖的架构，它协同结合了残差学习与多尺度注意力机制，以实现增强的胎儿头部分割。我们的方法在四个解码器层级集成了注意力门，以选择性地关注解剖学相关区域，同时抑制背景噪声，并辅以促进梯度流和特征复用的残差连接。在包含n=200个样本的HC18挑战数据集上的广泛评估表明，与类似架构相比，Attention-ResUNet取得了优越的性能，平均Dice得分为99.30±0.14%。它显著优于五个基线架构，包括ResUNet（99.26%）、Attention U-Net（98.79%）、Swin U-Net（98.60%）、标准U-Net（98.58%）和U-Net++（97.46%）。通过统计分析，我们确认了高度显著的改进（p < 0.001），效应量（Cohen's d）范围从0.230到13.159。通过显著性图分析，我们揭示了我们的架构产生了高度集中、解剖学上一致的激活模式，这展示了增强的可解释性，对于临床部署至关重要。所提出的方法在保持计算效率（14.7M参数和45 GFLOPs推理成本）的同时，为自动胎儿头部分割建立了新的最先进性能。代码仓库：https://github.com/Ammar-ss
引用
@article{arxiv.2604.18148,
title = {Attention-ResUNet for Automated Fetal Head Segmentation},
author = {Ammar Bhilwarawala and Mainak Bandyopadhyay},
journal= {arXiv preprint arXiv:2604.18148},
year = {2026}
}
备注
Accepted and Presented at ANTIC 2025, IIITM Gwalior (5th International Conference on Advanced Network Technologies and Intelligent Computing) on 23rd December 2025. Presented with the best paper award in Image Processing Track