DmADs-Net：密集多尺度注意力与深度监督网络用于医学图像分割
图像与视频处理
2024-05-02 v1 计算机视觉与模式识别
摘要
深度学习对医学图像分割的发展作出了重要贡献。作为其关键分支，卷积神经网络吸引了大量研究者的关注。通过众多研究者的不懈努力，卷积神经网络为处理医学图像的众多卓越算法不断涌现。这些方法的思想与架构也为后续技术的发展提供了重要灵感。经过广泛实验，我们发现当前主流深度学习算法在处理复杂数据集和不同类型数据集时并非总能获得理想结果。这些网络在病灶定位和特征提取方面仍有提升空间。因此，我们创建了密集多尺度注意力和深度监督网络（DmADs-Net）。我们采用 ResNet 进行不同深度的特征提取，并创建多尺度卷积特征注意力模块以提高网络对弱特征信息的注意力。创建局部特征注意力模块以实现对高层语义信息的增强局部特征注意力。此外，在特征融合阶段，创建特征细化与融合模块以增强不同语义信息的融合。我们使用大小类型各异的五个数据集验证了该网络的性能。对比实验结果表明，DmADs-Net 在多个指标上均优于主流网络。消融实验进一步证明了所创建模块的有效性以及网络架构的合理性。
引用
@article{arxiv.2405.00472,
title = {DmADs-Net: Dense multiscale attention and depth-supervised network for medical image segmentation},
author = {Zhaojin Fu and Zheng Chen and Jinjiang Li and Lu Ren},
journal= {arXiv preprint arXiv:2405.00472},
year = {2024}
}