电子学报

• •    

SAU-Net:基于U-Net和自注意力机制的医学图像分割方法

张淑军, 彭中, 李辉   

  1. 青岛科技大学信息科学技术学院,山东 青岛 266061
  • 收稿日期:2020-09-06 修回日期:2021-12-04 出版日期:2022-06-09
  • 作者简介:张淑军 女,1980年10月出生,山东泰安人.现为青岛科技大学信息科学技术学院副教授.主要研究方向为计算机视觉、人工智能、虚拟现实技术等.E-mail: zhangsj@qust.edu.cn
    彭 中 男,1994年12月出生,河南南阳人.现为青岛科技大学信息科学技术学院在读硕士研究生.主要研究方向为计算机视觉.E-mail: 964451354@qq.com
    李 辉 男,1984年3月出生,河南平顶山人.现为青岛科技大学信息科学技术学院副教授.主要研究方向为计算机视觉、人工智能等.E-mail: lipeilin1984xyz@163.com
  • 基金资助:
    山东省高等学校青创人才引育计划“人工智能与医学影像分析创新团队”建设项目

SAU-Net: Medical Image Segmentation Method Based on U-Net and Self-Attention

ZHANG Shu-jun, PENG Zhong, LI Hui   

  1. School of Information Science and Technology,Qingdao University of Science and Technology ; Qingdao,Shandong 266061,China
  • Received:2020-09-06 Revised:2021-12-04 Online:2022-06-09

摘要:

基于深度学习的生物医学图像分割由于其精度的提高,可以更好地辅助医生做精确的诊断.目前主流的基于U-Net的分割模型通过多层卷积进行局部特征的提取,缺失了全局信息,使分割过于局部化而产生误差.本文通过自注意力机制和分解卷积策略对U-Net模型进行改进,提出一种新的深度分割网络SAU-Net,使用自注意力模块增加全局信息,将原U-Net中的级联结构改为逐像素相加,减小维度,降低计算量;提出一种快速简洁的分解卷积方法,将传统卷积分解为两路一维卷积,并加入残差连接强化上下文信息.在BRATS和Kaggle两个脑肿瘤数据集上进行的实验结果表明,SAU-Net在参数量和Dice系数上都有更优的性能.

关键词: 自注意力, 分解卷积, 医学图像分割, 深度学习, U-Net

Abstract:

Biomedical image segmentation based on deep learning can better help doctors make an accurate diagnosis due to its enhanced accuracy. At present, the U-Net-based mainstream segmentation model extracts local features through multi-layer convolutions, which lack global information and lead to over-localized results with errors. This paper improves the U-Net model through the self-attention mechanism and decomposition convolution and proposes a new deep segmentation network called SAU-Net. The model uses the self-attention module to increase global information, changes the cascade structure in the original U-Net to pixel-by-pixel addition in order to reduce the dimension and cut down the calculation cost. A fast and concise decomposition convolution method is proposed which integrates the traditional convolution into a two-way one-dimensional convolution, and the residual connection is added to enhance the context information. The experimental results conducted on the two brain tumor datasets of BRATS and Kaggle show that SAU-Net has better performance in terms of parameters and the Dice coefficients.

Key words: self-attention, decomposition convolution, medical image segmentation, deep learning, U-Net

中图分类号: