GASA-UNet：用于3D医学图像分割的全局轴向自注意力U-Net
图像与视频处理
2024-09-23 v1 计算机视觉与模式识别
摘要
在医学成像中，多器官的准确分割和病理组织的区分至关重要但也极具挑战性，特别是在细微分类和模糊的器官边界方面。为了应对这些挑战，我们引入了GASA-UNet，这是一种改进的类U-Net模型，具有新颖的全局轴向自注意力(GASA)模块。该模块将图像数据作为3D实体处理，每个2D平面代表不同的解剖截面。体素特征在此空间上下文中定义，并在提取的1D补丁上利用多头自注意力(MHSA)机制来促进这些平面之间的连接。位置嵌入(PE)被整合到我们的注意力框架中，以空间上下文丰富体素特征，从而增强组织分类和器官边缘描绘。我们的模型在分割性能上展现出可喜的改进，特别是在较小的解剖结构上，这在三个基准数据集（即BTCV、AMOS和KiTS23）上提高的Dice分数和归一化表面Dice(NSD)中得到了证明。
引用
@article{arxiv.2409.13146,
title = {GASA-UNet: Global Axial Self-Attention U-Net for 3D Medical Image Segmentation},
author = {Chengkun Sun and Russell Stevens Terry and Jiang Bian and Jie Xu},
journal= {arXiv preprint arXiv:2409.13146},
year = {2024}
}