用于心脏分割的 SFB-net：通过注意力机制桥接语义鸿沟
人工智能
2024-10-25 v1
摘要
过去几年，深度学习算法在心脏图像分割方面得到了广泛应用。然而，这些架构大多依赖卷积，难以建模长程依赖，限制了其提取上下文信息的能力。为解决这一问题，本文引入了 Swin Filtering Block 网络 (SFB-net)，利用常规卷积层和 Swin Transformer 层的优势。前者用于在网络底部引入空间注意力，而后者用于在编码器和解码器之间聚焦于高层语义丰富特征。在 ACDC 数据集上实现了 92.4 的平均 Dice 评分。据我们所知，这一结果在该数据集上遥遥领先。在 M&M 数据集上获得的 87.99 的平均 Dice 评分表明，所提出的方法能够良好地泛化到来自不同供应商和中心的数据。
引用
@article{arxiv.2410.18503,
title = {SFB-net for cardiac segmentation: Bridging the semantic gap with attention},
author = {Nicolas Portal and Nadjia Kachenoura and Thomas Dietenbeck and Catherine Achard},
journal= {arXiv preprint arXiv:2410.18503},
year = {2024}
}