结合拆分注意力特征融合的病理图像分割网络

作     者：邓健志 支佩佩 张峰铭 徐国增 田佳 DENG Jian-zhi;ZHI Pei-pei;ZHANG Feng-ming;XU Guo-zeng;TIAN Jia

作者机构：桂林理工大学信息科学与工程学院桂林541004 桂林理工大学广西嵌入式技术与智能系统重点实验室桂林541004 柳州市人民医院肿瘤科柳州545006 桂林市医学院附属医院病理科桂林541001 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2023年第23卷第7期

页      面：2922-2931页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 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(NO81660031) 广西自然科学基金(2018GXNSFAA050049) 

主　　题：图像分割 拆分注意力 深度可分离 病理图像 

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。