用于IVH检测的双注意力残差U-Net
图像与视频处理
2025-06-11 v2 人工智能
计算机视觉与模式识别
摘要
脐窝出血（IVH）是早产儿常见的严重神经系统并发症，需从脑超声（US）图像中及早准确检测以改善临床预后。虽然近期深度学习方法为计算机辅助诊断提供了希望，但在捕捉脑解剖结构的局部空间细节与全局上下文依赖方面仍面临挑战。本文提出一种增强残差U-Net架构，集成两种互补注意力机制：卷积块注意力模块（CBAM）和稀疏注意力层（SAL）。CBAM 改进模型对空间和通道特征的细化能力，而 SAL 引入双分支设计，稀疏注意力过滤低置信度的查询-键对，以抑制噪声，密集注意力确保信息的全面传播。在大脑US数据集上的大量实验表明，我们的方法实现了状态最佳的分割性能，脑室区域分割的Dice系数为89.04%，IoU为81.84%。这些结果凸显了集成空间细化与注意力稀疏性在稳健脑解剖检测中的有效性。代码可访问：https://github.com/DanYuan001/BrainImgSegment
引用
@article{arxiv.2505.17683,
title = {Dual Attention Residual U-Net for Accurate Brain Ultrasound Segmentation in IVH Detection},
author = {Dan Yuan and Yi Feng and Ziyun Tang},
journal= {arXiv preprint arXiv:2505.17683},
year = {2025}
}
备注
10 pages,6 figures and 3 tables