بهبود شبکه های Unet برای قطعه بندی تصاویر پزشکی با اضافه کردن لایه های مکانیزم توجه

قطعه بندی تصاویر پزشکی یکی از مهم ترین گام ها در تحلیل تصاویر پزشکی، جهت بهبود تشخیص و یافته ها است. یکی از متداول ترین روش های قطعه بندی در یادگیری عمیق، استفاده از شبکه های Unet است. وجود لایه های متراکم در قسمت رمزگشای Unet، اجازه استخراج اطلاعات از لایه های عمیق تر را نمی دهد؛ همچنین به علت محدودیت میدان دریافتی هسته های کانولوشن، اطلاعات و وابستگی های دوربرد به خوبی در نظر گرفته نمی شوند. در این مقاله، هدف طراحی یک ساختار در اتصالات پرش به منظور کاهش شکاف معنایی بین ناحیه رمزگذار و رمزگشا است. استخراج بهتر و تمرکز بیشتر برروی ویژگی های محلی و سراسری در مجموعه داده های مختلف، از ویژگی های این ساختار است.همچنین یک ساختار توجه به منظور کاهش پارامترهای شبکه و بهبود نتایج، در گلوگاه شبکه طراحی شده است. این روش برروی ۶ مجموعه داده پزشکی ارزیابی شده است که نتایج به دست آمده در دو معیار ارزیابی Diceو Iou نشان می دهد مدل پیشنهاد شده نتایج بهتری نسبت به Unet و روش های مبتنی بر آن دارد.

کلیدواژه ها:

قطعه بندی تصاویر پزشکی ، شبکه های عصبی پیچشی ، مکانیزم توجه ، یادگیری عمیق ، Unet