基于自校正卷积与注意力的脑白质病变分割

来源：计算机技术与发展杂志2024年第12期北京时间：

作者：岳江;刘庆晨;韩晓鑫;刘浩;王建林*

摘要：脑白质病变是导致老年人认知功能障碍的主要原因之一,被认为是脑血管疾病的征兆。 原始 U-Net 模型在图像分割任务中面临的主要问题包括细小病变区域的漏检、边界分割不准确等。 提出一种基于自校正卷积与注意力机制的 2D U-Net 模型用于脑白质病变分割。 首先,引入自校正卷积模块,整合其周边区域的信息以及通道间的相互作用,提高对细微病变检测的准确性。 其次,使用两种不同的注意力模块,在编码的浅层和深层分别引入通道注意力机制和空间注意力机制,浅层编码器捕捉脑白质病变纹理的细粒度特征,而深层编码器提取病变的高级全局语义特征。 最后,采用了一种跨层融合策略,将解码器模块中的特征图通过 Transpose 操作与编码器同层的特征图进行尺度特征的整合。 实验结果表明,在 2017 WMH 分割挑战赛数据集和武汉同济医院数据集上分别测试了模型,其中 Dice 系数和 Recall 都分别达到了0. 80、0. 82 和 0. 82、0. 86。 该方法可以有效地检测出脑白质病变,并且在 1. 5T 磁共振成像协议识别效果显著。

关键词：脑白质病变;分割;脑白质高信号;注意力机制;自校正卷积