MCPA:用于二维医学图像分割的多尺度交叉感知机注意力网络
图像与视频处理
2023-07-28 v1 计算机视觉与模式识别
机器学习
摘要
基于卷积神经网络(CNN)的 UNet 架构在医学图像分析中展现出卓越性能。然而,由于卷积操作感受野有限及固有偏置,其在捕获长程依赖方面面临挑战。近来,众多基于 Transformer 的技术被引入 UNet 架构,以通过有效捕获全局特征关联克服此局限。但 Transformer 模块的引入可能导致全局特征融合过程中局部上下文信息丢失。为应对这些挑战,我们提出一种称为多尺度交叉感知机注意力网络(MCPA)的二维医学图像分割模型。MCPA 由编码器、解码器和交叉感知机三部分组成。交叉感知机首先利用多个多尺度交叉感知机模块捕获局部关联,促进跨尺度特征融合。所得多尺度特征向量随后在空间上展开、拼接,并送入全局感知机模块以建模全局依赖。此外,我们引入渐进双分支结构以处理涉及更精细组织结构的图像语义分割,该结构将 MCPA 网络训练的分割焦点由大规模结构特征逐步转向更复杂的像素级特征。我们在来自不同任务与设备的多个公开医学图像数据集上评估所提 MCPA 模型,包括 CT(Synapse)、MRI(ACDC)、眼底相机(DRIVE、CHASE_DB1、HRF)和 OCTA(ROSE)的开放大规模数据集。实验结果表明,我们的 MCPA 模型达到了最先进性能。代码见 https://github.com/simonustc/MCPA-for-2D-Medical-Image-Segmentation。
引用
@article{arxiv.2307.14588,
title = {MCPA: Multi-scale Cross Perceptron Attention Network for 2D Medical Image Segmentation},
author = {Liang Xu and Mingxiao Chen and Yi Cheng and Pengfei Shao and Shuwei Shen and Peng Yao and Ronald X. Xu},
journal= {arXiv preprint arXiv:2307.14588},
year = {2023}
}