DADU：基于双注意力的深度监督UNet用于心脏图像的自动语义分割
图像与视频处理
2025-04-21 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出了一种增强的深度学习模型，用于从心脏磁共振成像（CMR）中对左心室、右心室和心肌瘢痕组织进行图像分割。该方法将UNet、通道注意力、空间注意力、基于边缘检测的跳跃连接以及深度监督学习相结合，以提高CMR图像分割的准确性。通过多个通道处理图像以生成多个特征图。我们构建了一个基于双注意力的模型来整合通道注意力和空间注意力。将提取的边缘用于跳跃连接可改善从特征图重建的图像。深度监督可减少深度神经网络基于分类的梯度消失问题。本文描述了双注意力模型的算法、相应的实现及性能结果。性能结果表明，该方法达到了98%的Dice相似度得分（DSC）和显著低于的Hausdorff距离（HD）。该方法在DSC和HD方面的性能优于其他领先技术。
引用
@article{arxiv.2504.13415,
title = {DADU: Dual Attention-based Deep Supervised UNet for Automated Semantic Segmentation of Cardiac Images},
author = {Racheal Mukisa and Arvind K. Bansal},
journal= {arXiv preprint arXiv:2504.13415},
year = {2025}
}
备注
20 pages, 8 figures