基于注意力机制和多尺度融合的U-Net改进算法.pdfVIP

计算机应用,2024,44(S2):24-28http：//www.joca.cn

文章编号：1001-9081（2024）S2-0024-05DOI：10.11772/j.issn.1001-9081.2022121844

基于注意力机制和多尺度融合的U-Net改进算法

1，21，21，23*

吴淞，蓝鑫，单靖杨，徐海文

（1.中国科学院成都计算机应用研究所，成都610213；2.中国科学院大学计算机科学与技术学院，北京100049；

3.中国民用航空飞行学院理学院，四川广汉618307）

（∗通信作者电子邮箱hwxu@cafuc.edu.cn）

摘要：针对原始U-Net在医学图像分割任务中计算冗余和难以划分细小结构等问题，提出一种基于注意力机制和多尺

度融合的U-Net改进算法。首先，通过在跳跃路径上引入通道注意力机制，网络关注包含更重要信息的通道，从而减少计算

资源开销，并提升计算效率；其次，增加特征融合策略为传递给解码器的特征图增加上下文信息，从而实现特征之间的互补

和多重利用；最后，使用Dice损失和二元交叉熵损失进行联合优化，以应对细小结构分割时可能出现的损失函数剧烈振荡问

题。在Kvasir_seg和DRIVE数据集上进行的实验验证的结果表明，与原始U-Net算法相比，所提改进算法的Dice系数分别提

高了1.81和0.82个百分点，灵敏度（SE）分别提高了1.94和3.53个百分点，准确度（Acc）分别提高了1.62和0.04个百分点。

可见，所提改进算法能够提升原始U-Net对于细小结构分割的性能。

关键词：深度学习；医学图像分割；U-Net；通道注意力机制；多尺度融合

中图分类号：TP183文献标志码：A

ImprovedU-Netalgorithmbasedonattentionmechanismandmulti-scalefusion

WUSong1，2，LANXin1，2，SHANJingyang1，2，XUHaiwen3*

（1.ChengduInstituteofComputerApplication，ChineseAcademyofSciences，ChengduSichuan610213，China；

2.SchoolofComputerScienceandTechnology，UniversityofChineseAcademyofSciences，Beijing100049，China；

3.FacultyofScience，CivilAviationFlightUniversityofChina，GuanghanSichuan618307，China）

Abstract:AimingattheproblemsofcomputationalredundancyanddifficultyinsegmentingfinestructuresoftheoriginalU-Net

inmedicalimagesegmentationtasks，animprovedU-Netalgorithmbasedonattentionmechan