结合拆分注意力特征融合的病理图像分割网络

摘要：

针对卷积神经网络在执行病理图像分割任务时,特征提取单一导致分割性能较差的问题,提出了一种结合拆分注意力跨通道特征融合的病理图像分割网络.首先以UNet为基本结构,设计了空洞拆分注意力模块来提取并融合病理图像上细节特征,以增强通道间的特征交互能力,提高分割精度.其次,设计了深度残差幻影模块,在解码特征融合阶段有效获取足够丰富的特征图.最后在公开数据集DSB2018、MoNuSeg上实验,其灵敏度分别为90.13％、89.23％,准确率分别为92.89％、92.51％.为进一步验证算法有效性,将来自合作单位的病理图像自制成数据集ColonCancer,其准确率和灵敏度分别为90.15％、89.94％.实验结果表明,该方法相较于UNet、ResUNet、GhostUNet、TransUNet等算法有效提升了病理图像分割性能,并对实现不同组织病理图像的分割任务具有一定参考价值和意义.

关键词：图像分割、拆分注意力、深度可分离、病理图像

所属期刊栏目：23

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;广西自然科学基金项目

在线出版日期：2023-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2922-2931