基于多尺度卷积和注意力机制的病理图像分割网络

作     者：曾安 赖峻浩 杨宝瑶 潘丹 

作者机构：广东工业大学计算机学院 广东技术师范大学电子与信息学院 

出 版 物：《广东工业大学学报》 (Journal of Guangdong University of Technology)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(61976058,92267107) 广东省重点领域研发计划项目(2021B0101220006) 广东省科技计划项目(2019A050510041) 广东省自然科学基金资助项目(2021A1515012300) 广州市科技计划项目(202103000034,202002020090) 

主　　题：病理图像分割 UNet 多尺度 注意力机制 

摘      要：深度学习在病理图像分割中具有重要作用，然而现有深度学习方法在处理多尺度的病理图像分割任务上存在分割性能不足，泛化能力差等问题。针对上述问题，本文提出了一种基于多尺度卷积和注意力机制的病理图像分割网络。该网络通过多尺度卷积注意力模块，从不同尺度出发对特征图进行特征提取并从空间维度出发关注全局上下文关联信息，有效过滤冗余噪声信息，提升网络处理多尺度病理图像数据的泛化能力；通过多尺度特征融合模块，将不同尺度的特征进行信息融合，丰富了特征图的边缘信息和细粒度信息，改善分割效果。在GlaS、MoNuSeg和Lizard数据集上分别进行实验，所提方法的Dice指标在3个数据集上分别为91.07%、81.00%、79.87%,IoU指标为84.13%、68.22%、67.26%。实验结果表明，本文所提方法能够有效分割病理图片，提升分割准确度，为临床诊断提供可靠依据。