MSA$^2$Net：用于医学图像分割的多尺度自适应注意力引导网络
图像与视频处理
2024-11-12 v3 计算机视觉与模式识别
摘要
医学图像分割涉及识别和分离医学图像中的物体实例，以描绘各种组织和结构，这一任务因这些特征的尺寸、形状和密度存在显著变化而复杂。卷积神经网络（CNN）传统上用于该任务，但在捕获长程依赖方面存在局限。具有自注意力机制的Transformer旨在解决此问题。然而，在医学图像分割中，合并局部和全局特征以有效整合不同尺度的特征图具有重要意义，这既能捕获细节特征，又能捕获更广泛的语义元素，以应对结构变化。在本文中，我们引入MSANet，这是一个新的深度分割框架，具有简洁的跳跃连接设计。这些连接通过动态加权和组合粗糙的编码器特征与细微的解码器特征图来促进特征融合。具体而言，我们提出了多尺度自适应空间注意力门（MASAG），该机制动态调整感受野（局部和全局语境信息），以确保对空间相关特征进行选择性突出显示，同时最小化背景干扰。广泛的评估包括皮肤科和放射科数据集均表明，MSANet超越了当前最先进（SOTA）工作或与之相当。源代码已公开于https://github.com/xmindflow/MSA-2Net。
关键词
引用
@article{arxiv.2407.21640,
title = {MSA$^2$Net: Multi-scale Adaptive Attention-guided Network for Medical Image Segmentation},
author = {Sina Ghorbani Kolahi and Seyed Kamal Chaharsooghi and Toktam Khatibi and Afshin Bozorgpour and Reza Azad and Moein Heidari and Ilker Hacihaliloglu and Dorit Merhof},
journal= {arXiv preprint arXiv:2407.21640},
year = {2024}
}
备注
Accepted at BMVC 2024. Supplementary materials included at the end of the main paper (3 pages, 2 figures, 1 table)