| 结合拆分注意力特征融合的病理图像分割网络 |
| |
| 引用本文： | 邓健志,支佩佩,张峰铭,徐国增,田佳.结合拆分注意力特征融合的病理图像分割网络[J].科学技术与工程,2023,23(7):2922-2931. |
| |
| 作者姓名： | 邓健志 支佩佩 张峰铭 徐国增 田佳 |
| |
| 作者单位： | 桂林理工大学信息科学与工程学院;柳州市人民医院肿瘤科;桂林市医学院附属医院病理科 |
| |
| 基金项目： | 国家自然科学基金(NO81660031)；广西自然科学基金(2018GXNSFAA050049) |
| |
| 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
度残差可分离幻影模块，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，其灵敏度和准确率分别为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 |
| 收稿时间： | 2022/5/8 0:00:00 |
| 修稿时间： | 2023/3/8 0:00:00 |
Pathological Images Segmentation Network Combined Split Attention Feature Fusion |
| |
| Deng Jianzhi,Zhi Peipei,Zhang Fengming,Xu Guozeng,Tian Jia.Pathological Images Segmentation Network Combined Split Attention Feature Fusion[J].Science Technology and Engineering,2023,23(7):2922-2931. |
| |
| Authors: | Deng Jianzhi Zhi Peipei Zhang Fengming Xu Guozeng Tian Jia |
| |
| Institution: | School of Information Science and Engineering, Guilin University of Technolog |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
| 点击此处可从《科学技术与工程》下载免费的PDF全文 |
