融合改进Transformer和卷积通道注意力模块的U-Net用于双心室分割

设计一种融合改进Transformer和卷积通道注意力模块的U-Net用于MRI图像双心室分割。通过在U-Net的高层卷积部分基础融合改进Transformer,有效增强全局特征信息的提取能力以应对右心室复杂的形态变化造成低分割性能的难题。改进的Transformer在自注意力模块部分中加入固定窗口注意力进行位置定位,随后对其输出特征图进行聚合以缩小特征图尺寸;同时通过改进多层感知器来加深网络深度以提高网络学习能力。为解决组织边缘模糊造成的分割性能不理想问题,引入特征聚合模块进行多层次底层特征的融合,利用卷积通道注意力模块对底层特征进行重标定,实现自适应地学习特征权重。此外,针对编解码结构中通道衰减造成特征丢失导致的低分割性能,网络集成一个即插即用的特征增强模块,保证空间信息同时增加有用通道信息的比重。在ACDC数据集对本文算法进行测试,结果表明本文方法对左右心室的分割精度均优于近年其他算法,尤其是右心室分割结果,相比于其他方法,DSC系数提高至少2.83%,证明本文方法对双心室分割的有效性。

面向儿科超声心动图双侧心室分割的注意力引导网络

由于儿童心脏大小随年龄变化显著,且儿童心率较快,超声心动图心脏边界相较成人更模糊,因此儿科超声心动图的准确分割是一项具有挑战性的任务。针对上述问题,本文提出了一种结合通道注意力和尺度注意力的双解码器网络模型。首先,利用结合深监督策略的注意力引导解码器,获取心室区域的注意力图;然后,将产生的心室注意力通过跳跃连接返回到网络的多个层,调整编码器生成的特征权重,突出左右心室区域;最后,通过尺度注意力模块和通道注意力模块强化左右心室边缘特征。实验结果表明,本文所提方法在所采集的双侧心室分割数据集中,平均戴斯系数(DSC)达到90.63%,优于医学图像分割领域一些常规和最新方法,尤其在心室边缘处分割更清晰。本文的研究可为儿科超声心动图双侧心室分割以及后续先天性心脏病辅助诊断提供新的解决方案。