SAU-Net:融合压缩注意力机制的多器官图像分割

作     者：曹国刚 毛红东 张术 陈颖 戴翠霞 Cao Guogang;Mao Hongdong;Zhang Shu;Chen Ying;Dai Cuixia

作者机构：上海应用技术大学计算机科学与信息工程学院上海201418 上海应用技术大学理学院上海201418 

出 版 物：《激光与光电子学进展》 (Laser & Optoelectronics Progress)

年 卷 期：2022年第59卷第4期

页      面：355-364页

核心收录：

学科分类：0808[工学-电气工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0702[理学-物理学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61976140,61675134,81827807,62175156) 上海市科委科技创新行动计划(19441905800) 温州医科大学重点实验室开放项目(K181002) 

主　　题：图像处理 卷积神经网络 3D U-Net 残差连接 压缩注意力 

摘      要：为了对头颈部多器官CT图像实现精准分割,减少放射治疗对人体正常组织的损伤,本文提出一种基于卷积神经网络的图像分割方法——SAU-Net算法,该算法基于加入残差连接的3D U-Net实现。针对器官尺寸差异较大而引起的分割精度不准确问题,引入压缩注意力模块,通过非局部的空间注意力机制增加对全局特征的编码能力,聚合多尺度上下文信息,实现同一器官的体素分组。此外,该算法减少了卷积核数量及参数量,避免因额外的卷积运算造成堆叠局部信息过多而影响模型性能。结果表明,以Dice系数为评估指标,与3D U-Net和3D ResUNet算法相比,SAU-Net的分割精度分别提高了13.7%和8.2%,推理速度比FocusNetv2提升73%。SAU-Net算法显著提高了头颈部器官图像的分割精度和速度,能够快速准确实现全自动分割任务。