DSFNet：基于双图卷积与位置融合自注意力及加权快速归一化融合的息肉分割网络
图像与视频处理
2023-11-29 v3
摘要
由于息肉表面平坦且与周围组织的纹理相似，息肉分割在医学影像中是一项重大挑战。这种相似性导致难以建立息肉与周围黏膜之间的清晰边界，并引发诸如局部过曝与成像中亮斑反射等复杂情况。为应对该问题，我们提出一种新型双图卷积网络（Dual-GCN）与位置自注意力机制并结合加权快速归一化融合的模型，命名为 DSFNet。首先，我们引入基于 Dual-GCN 模块的特征增强块模块，以细粒度增强局部空间与结构信息提取。其次，我们引入位置融合自注意力模块，以增强模型对全局信息的感知与捕获能力。最后，引入带可训练权重的加权快速归一化融合方法，高效整合来自编码器、瓶颈层与解码器的特征图，从而促进信息传输并利于语义一致性。实验结果表明，所提模型在 Dice、MAE 与 IoU 等金标准指标上超越其他最先进模型。定量与定性分析均表明，所提模型在息肉分割中展现出卓越能力并具有极大的临床潜在意义。我们已在匿名网站分享代码以供评估。
引用
@article{arxiv.2308.07946,
title = {DSFNet: Dual-GCN and Location-fused Self-attention with Weighted Fast Normalized Fusion for Polyps Segmentation},
author = {Juntong Fan and Debesh Jha and Tieyong Zeng and Dayang Wang},
journal= {arXiv preprint arXiv:2308.07946},
year = {2023}
}
备注
10 pages, 6 figures, 3 tables