基于空间-频率双渐进注意力网络的医学图像分割
图像与视频处理
2024-08-20 v2 计算机视觉与模式识别
摘要
在医学图像中，各种类型的病灶往往在形状和纹理方面存在显著差异。准确的医学图像分割需要具备多尺度和边界特征学习能力的深度学习模型。然而，先前的网络仍存在上述问题的局限性。首先，先前的网络同时融合多级特征或采用深度监督来增强多尺度学习，这可能导致特征冗余和计算开销过大，不利于网络训练和临床部署。其次，大多数医学图像分割网络仅在空间域中学习特征，忽略了频域中丰富的全局信息，这导致对低频分量的偏好，忽略关键的高频信息。为此，我们引入了SF-UNet，这是一个空间-频率双域注意力网络。它包含两个主要组件：Multi-scale Progressive Channel Attention（MPCA）模块，能够在相邻编码器层之间逐渐提取多尺度特征；以及轻量级Frequency-Spatial Attention（FSA）模块，仅需0.05M参数，使其能够同时从空间和频率域中学习纹理和边界特征。我们在三个公开数据集上验证了所提出SF-UNet的有效性。实验结果表明，与先前的状态-of-the-art（SOTA）医学图像分割网络相比，SF-UNet在性能上表现最佳，在DSC和IOU上分别实现了最高9.4%和10.78%的改进。代码将在https://github.com/nkicsl/SF-UNet上发布。
引用
@article{arxiv.2406.07952,
title = {Spatial-Frequency Dual Progressive Attention Network For Medical Image Segmentation},
author = {Zhenhuan Zhou and Along He and Yanlin Wu and Rui Yao and Xueshuo Xie and Tao Li},
journal= {arXiv preprint arXiv:2406.07952},
year = {2024}
}
备注
6 pages accepted by 2024 IEEE International Conference on Bioinformatics and Biomedicine (BIBM 2024)