基于Unet的多注意力脑肿瘤图像分割算法

摘要

针对多类型脑肿瘤医学图像分割中上下文信息联系匮乏及人工分割效率、准确率低等问题,提出了一种基于Unet的脑肿瘤自动分割算法.首先,在Unet模型的基础上引入残差结构(ResBlock),用于加深网络;其次,重新构建Unet的解码网络,增加一条并行的膨胀卷积(dalited convolution)特征提取模块;最后,网络结合改进后的通道和空间多注意力机制,使得网络在提取特征时更加专注某些特征层和空间区域,抑制了某些无效的非病灶区域的冗余特征,进而提高病灶分割的精度.该文使用医学分割Dice评价指标,充分测试算法对多序列脑肿瘤核磁共振(MRI)医学图像的分割性能.实验结果表明,改进后的算法在Complte Dice、Core Dice和Enhancing Dice上分别可达0.909,0.820和0.766.与Unet及其改进的分割算法比较,该算法在参数量与Unet相当的情况下获得了更好的分割结果.