基于空间分频的超声图像分割注意力网络

摘要

针对医学超声影像噪点多、边界模糊,器官轮廓很难界定的问题,提出了一种基于空间分频的超声图像分割注意力网络(SFDA-Net).首先,借助Octave卷积在整个网络中对图像实现了高、低频并行处理,从而获得更加多元的信息.然后,加入卷积块注意模块(CBAM),使图像特征恢复时更加关注有效信息,以减小分割目标整体区域的缺失.最后,使用Focal Tversky Loss作为目标函数,从而降低简单样本的权重并加强对困难样本的关注,以及降低各个类别间因像素误判而引入的误差.通过多组对比实验可知,SFDA-Net的参数量低于原UNet++,而分割精度提高了6.2个百分点,Dice得分提高了8.76个百分点,类别平均像素准确率(mPA)提升至84.09％,平均交并比(mIoU)提升至75.79％.SFDA-Net在降低参数量的同时稳步提高了网络性能,实现了更为准确的超声心动图分割.