典型文献
融合多尺度和多头注意力的医疗图像分割方法
文献摘要：
为了从医疗图像中自动且准确地提取兴趣区域,提出基于神经网络的分割模型MS2Net.针对传统卷积操作缺乏获取长距离依赖关系能力的问题,为了更好提取上下文信息,提出融合卷积和Transformer的架构.基于Transformer的上下文抽取模块通过多头自注意力得到像素间相似度关系,基于相似度关系融合各像素特征使网络拥有全局视野,使用相对位置编码使Transformer保留输入特征图的结构信息.为了使网络适应兴趣区域形态的差异,在MS2Net中应用解码端多尺度特征并提出多尺度注意力机制.对多尺度特征图依次应用分组通道和分组空间注意力,使网络自适应地选取合理的多尺度语义信息.MS2Net在数据集ISBI 2017和CVC-ColonDB上均取得较U-Net、CE-Net、DeepLab v3+、UTNet等先进方法更优的交并比指标,有着较好的泛化能力.
文献关键词：
医疗图像分割;深度学习;注意力;Transformer;多尺度
中图分类号：
作者姓名：
王万良;王铁军;陈嘉诚;尤文波
作者机构：
浙江工业大学 计算机科学与技术学院,浙江 杭州 310023;浙江树人大学 信息科技学院,浙江 杭州 310015
文献出处：
引用格式：
[1]王万良;王铁军;陈嘉诚;尤文波-.融合多尺度和多头注意力的医疗图像分割方法)[J].浙江大学学报（工学版）,2022(09):1796-1805
A类：
MS2Net,ColonDB,UTNet
B类：
多头注意力,医疗图像分割,分割方法,兴趣区域,分割模型,卷积操作,长距离依赖,依赖关系,上下文信息,Transformer,取模,多头自注意力,像素,相似度关系,关系融合,全局视野,相对位置编码,输入特征,结构信息,网络适应,解码,多尺度注意力,注意力机制,多尺度特征图,空间注意力,网络自适应,语义信息,ISBI,CVC,CE,DeepLab,v3+,交并比,泛化能力
AB值：
0.372138
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
