CMU-Net：一种基于 ConvMixer 的强医学超声图像分割网络
图像与视频处理
2024-10-28 v4 计算机视觉与模式识别
摘要
U-Net 及其扩展在医学图像分割中取得了巨大成功。然而，由于普通卷积运算固有的局部特性，U-Net 编码器无法有效提取全局上下文信息。此外，简单的跳跃连接无法捕获显著特征。在这项工作中，我们提出了一种全卷积分割网络（CMU-Net），其融合了混合卷积与多尺度注意力门。ConvMixer 模块通过在远距离空间位置混合特征来提取全局上下文信息。此外，多尺度注意力门强调有价值的特征并实现高效的跳跃连接。我们使用乳腺超声数据集和甲状腺超声图像数据集评估所提方法；CMU-Net 取得了平均交并比（IoU）值 73.27% 和 84.75%，以及 F1 分数 84.81% 和 91.71%。代码可在 https://github.com/FengheTan9/CMU-Net 获取。
引用
@article{arxiv.2210.13012,
title = {CMU-Net: A Strong ConvMixer-based Medical Ultrasound Image Segmentation Network},
author = {Fenghe Tang and Lingtao Wang and Chunping Ning and Min Xian and Jianrui Ding},
journal= {arXiv preprint arXiv:2210.13012},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication