GAEI-UNet：用于血管图像分割的全局注意力与弹性交互U-Net
图像与视频处理
2023-08-24 v3 计算机视觉与模式识别
摘要
血管图像分割在医学诊断中起着关键作用，有助于血管疾病的早期检测与治疗。尽管基于深度学习的分割已展现出可喜结果，有效分割小结构并保持其间的连通性仍具挑战。为应对这些局限，我们提出GAEI-UNet，一种结合全局注意力与基于弹性交互技术的新模型。GAEI-UNet利用全局空间与通道上下文信息增强U-Net架构内的高层语义理解，从而实现小血管的精确分割。此外，我们采用基于弹性交互的损失函数以改善这些精细结构间的连通性。通过捕捉目标与预测形状间错位所产生的力，我们的模型有效学习保持血管网络的正确拓扑。在视网膜血管数据集——DRIVE上的评估表明，GAEI-UNet在小结构的SE与连通性方面性能优越，且未显著增加计算复杂度。本研究旨在推进血管图像分割领域，为医学界提供更准确可靠的诊断工具。实现代码已在Code上提供。
引用
@article{arxiv.2308.08345,
title = {GAEI-UNet: Global Attention and Elastic Interaction U-Net for Vessel Image Segmentation},
author = {Ruiqiang Xiao and Zhuoyue Wan},
journal= {arXiv preprint arXiv:2308.08345},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2004.03696 by other authors