典型文献
SAU-Net:基于U-Net和自注意力机制的医学图像分割方法
文献摘要：
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.
文献关键词：
自注意力;分解卷积;医学图像分割;深度学习;U-Net
中图分类号：
作者姓名：
张淑军;彭中;李辉
作者机构：
青岛科技大学信息科学技术学院,山东青岛266061
文献出处：
引用格式：
[1]张淑军;彭中;李辉-.SAU-Net:基于U-Net和自注意力机制的医学图像分割方法)[J].电子学报,2022(10):2433-2442
A类：
BRATS
B类：
SAU,Net,自注意力机制,医学图像分割,分割方法,分割模型,局部特征,特征的提取,全局信息,割过,分解卷积,分割网络,自注意力模块,级联结构,像素,相加,计算量,速简,两路,一维卷积,残差连接,上下文信息,Kaggle,脑肿瘤,参数量,Dice
AB值：
0.316642
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。
