重新思考嵌套 U-Net 方法：通过注意力机制和多尺度特征融合增强生物标志物分割
图像与视频处理
2025-04-09 v1 计算机视觉与模式识别
摘要
在医学图像中识别生物标志物对于广泛的生物技术应用至关重要。然而，近期基于 Transformer 和 CNN 的方法往往在形态学和染色方面的变化上难以胜任，这限制了其特征提取能力。在医学图像分割中，数据样本往往有限，最先进（SOTA）方法通过使用预训练编码器来提高准确度，而端到端方法则通常不足，因为难以在编码器和解码器之间有效地传递多尺度特征。为处理这些挑战，我们引入一种嵌套 UNet 架构，通过多尺度特征融合和注意力机制捕获局部和全局语境。该设计改进了来自编码器的特征集成，突出显示关键通道和区域，并恢复空间细节以提高分割性能。我们的方法通过四个数据集上的实验和详细的消融研究证明其优于 SOTA 方法。代码：https://github.com/saadwazir/ReN-UNet
引用
@article{arxiv.2504.06158,
title = {Rethinking the Nested U-Net Approach: Enhancing Biomarker Segmentation with Attention Mechanisms and Multiscale Feature Fusion},
author = {Saad Wazir and Daeyoung Kim},
journal= {arXiv preprint arXiv:2504.06158},
year = {2025}
}
备注
Published in the Proceedings of the 2024 International Conference on Medical Imaging and Computer-Aided Diagnosis (MICAD 2024), Lecture Notes in Electrical Engineering (LNEE), Volume 1372, Springer Nature, Singapore