融合边缘增强注意力机制和U-Net网络的医学图像分割

医学图像分割是医学图像处理领域中的关键步骤,随着深度学习技术的逐步深入,图像分割技术有了突飞猛进的发展.然而,在分割过程中,病灶特征的边缘像素点划分仍存在模糊、不准确的问题.为此,提出一种边缘增强的注意力模块(CEA),分别进行水平和垂直2个不同方向的特征编码捕获位置信息,并通过计算位置特征和输入特征之间的偏移量加强边缘信息.将该模块应用基于U-Net的医学图像分割网络中,可突破卷积核的空间限制,捕获具有位置感知的跨通道信息及更加明确的边缘轮廓信息,从而提高分割的准确性.在公开数据集Kvasir-SEG上的定量对比实验表明,加入注意力模块的网络在Dice、精确度、召回率等指标上均取得了更好的结果,可有效改善医学图像分割效果.