结合注意力机制的多级特征融合网络用于息肉分割
计算机视觉与模式识别
2023-09-26 v2 人工智能
摘要
临床上，自动化息肉分割技术有潜力显著提升医学诊断的效率与准确性，从而降低患者结直肠癌风险。遗憾的是，现有方法存在两个显著影响分割精度的弱点。首先，编码器提取的特征未得到充分过滤与利用。其次，特征融合引发的语义冲突与信息冗余未被关注。为克服这些局限，我们提出一种用于息肉分割的新方法，称为 MLFF-Net，其利用多级特征融合与注意力机制。具体而言，MLFF-Net 包含三个模块：多尺度注意力模块（MAM）、高层特征增强模块（HFEM）与全局注意力模块（GAM）。其中，MAM 用于从编码器浅层输出中提取多尺度信息与息肉细节。在 HFEM 中，编码器的深层特征通过聚合相互补充；同时，注意力机制重新分配聚合特征的权重，削弱冲突冗余部分并突出对任务有用的信息。GAM 结合编码器与解码器特征，并计算全局依赖以防止感受野局部性。在五个公开数据集上的实验结果表明，所提方法不仅能分割多种类型息肉，且在精度与泛化能力上优于当前最先进方法。
引用
@article{arxiv.2309.10219,
title = {Multi-level feature fusion network combining attention mechanisms for polyp segmentation},
author = {Junzhuo Liu and Qiaosong Chen and Ye Zhang and Zhixiang Wang and Deng Xin and Jin Wang},
journal= {arXiv preprint arXiv:2309.10219},
year = {2023}
}