基于 BiFormer 注意力机制和多路稀疏卷积的肛门骨盆-胎头分割网络
图像与视频处理
2024-10-16 v2 计算机视觉与模式识别
摘要
经阴道超声图像中的肛门骨盆-胎头分割在评估胎头下降和进展方面发挥着关键作用。现有基于稀疏注意力机制的变换器分割方法使用手工制作的静态模式，导致在特定数据集上分割性能差异很大。为此问题提出解决方案，我们引入一种动态、查询感知的稀疏注意力机制用于超声图像分割。具体而言，我们提出了一种新方法，命名为 BRAU-Net，用于解决肛门骨盆-胎头分割任务。该方法采用类似 U-Net 的编码器-解码器架构，包含双层路由注意力和跳跃连接，有效学习了局部-全局语义信息。此外，我们提出了一种倒置瓶颈补丁扩展（IBPE）模块，以在执行上采样操作时减少信息损失。对所提出的 BRAU-Net 在 FH-PS-AoP 和 HC18 数据集上的评估结果表明，该方法能够实现优异的分割结果。该代码已在 GitHub 上提供。
引用
@article{arxiv.2410.10352,
title = {Pubic Symphysis-Fetal Head Segmentation Network Using BiFormer Attention Mechanism and Multipath Dilated Convolution},
author = {Pengzhou Cai and Lu Jiang and Yanxin Li and Xiaojuan Liu and Libin Lan},
journal= {arXiv preprint arXiv:2410.10352},
year = {2024}
}
备注
MMM2025;Camera-ready Version;The code is available at https://github.com/Caipengzhou/BRAU-Net