结合拆分注意力特征融合的病理图像分割网络

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。