BAAF：一种用于医学超声图像分割任务的基准注意力自适应框架
图像与视频处理
2025-10-15 v3 计算机视觉与模式识别
机器学习
摘要
基于 AI 的辅助诊断方案已在医学超声图像上得到广泛研究。超声图像场景复杂，内外因素耦合干扰严重，给自动且精确地定位目标区域带来了独特挑战。本研究旨在提出一种更通用、更鲁棒的基准注意力自适应框架(BAAF)，以辅助医生更快速、准确地分割或诊断超声图像中的病灶与组织。不同于现有注意力方案，BAAF 由并行混合注意力模块(PHAM)与自适应校准机制(ACM)组成。具体而言，BAAF 首先从通道与空间维度对输入特征进行粗校准，然后从粗校准特征图中自适应选取更鲁棒的病灶或组织表征。BAAF 的设计进一步优化了 CNN 中“是什么”与“在哪里”的聚焦与选择问题，并力求提升医学超声图像中病灶或组织的分割精度。该方法在四项医学超声分割任务上进行了评估，充分的实验结果表明其相较现有 SOTA 方法具有显著性能提升。此外，与现有注意力机制的对比也证明了 BAAF 的优越性。本工作为自动化医学超声辅助诊断提供了可能，并降低了对人工准确与精细程度的依赖。
引用
@article{arxiv.2310.00919,
title = {BAAF: A benchmark attention adaptive framework for medical ultrasound image segmentation tasks},
author = {Gongping Chen and Lei Zhao and Xiaotao Yin and Liang Cui and Jianxun Zhang and Yu Dai and Ningning Liu},
journal= {arXiv preprint arXiv:2310.00919},
year = {2025}
}
备注
10 pages, 11 figures