基于 ASPP-坐标注意力机制的改进 Unet 脑肿瘤图像分割模型

在本文中，我们提出了一种用于脑肿瘤图像分割的改进 Unet 模型，该模型结合了坐标注意力机制和 ASPP 模块以改善分割效果。在划分数据集后，我们对图像进行必要的预处理，并使用改进后的模型进行实验。首先，我们训练并验证了传统的 Unet 模型。通过分析训练集和验证集的损失曲线，我们可以看到损失值在第一个 epoch 持续下降，并在第八个 epoch 趋于稳定。这个过程表明模型不断优化其参数以提高性能。同时，miou（平均交并比）指标的变化表明，miou 值在第 15 个 epoch 超过 0.6，此后保持在 0.6 以上，并在第 46 个 epoch 达到 0.7 以上。这些结果表明，基础的 Unet 模型在脑肿瘤图像分割中是有效的。接下来，我们引入基于坐标注意力机制和 ASPP 模块的改进 Unet 算法进行实验。通过观察训练集和验证集的损失变化曲线，发现损失值在第六个 epoch 达到最低点，随后保持相对稳定。同时，miou 指标自第 20 个 epoch 起稳定在 0.7 以上，并达到 0.76 的最大值。这些结果表明，引入的新机制显著提升了模型的分割能力。最后，我们将训练好的传统 Unet 模型和基于坐标注意力机制与 ASPP 模块的改进 Unet 模型应用于测试集，进行脑肿瘤图像分割预测。与传统 Unet 相比，增强后的模型提供了更优的分割和边缘精度，通过坐标注意力机制和 ASPP 模块为医学图像分析提供了一种更可靠的方法。