基于双重注意力机制和迭代聚合U-Net的脑肿瘤MR图像分割方法

脑肿瘤核磁共振图像分割是脑肿瘤临床诊断的基础.针对传统U-Net网络中编码器无法从多尺度提取特征信息以及跳跃连接过程特征融合信息不全面等问题,提出了一种引入双重注意力机制以及迭代聚合的U-Net脑肿瘤分割算法.首先,在U-Net编码器部分,引入了卷积核注意力机制SKNet,网络可自适应选择卷积核尺寸,获取不同尺度的特征信息;其次在解码器部分添加了通道注意力模块CAM,使网络模型聚焦于重要的特征信息,减弱无关信息的干扰;最后在跳跃连接部分引入迭代聚合的思想,让网络将高级语义特征和低级语义特征进行融合,使得特征信息更加丰富全面,进而提高分割精度.在BraTS2019数据集上实验结果表明:肿瘤的整体区域(WT)、核心区域(TC)以及增强区域(ET)的Dice相似系数分别为80.51％,71.46％,71.32％,较原始模型分别提升了1.34％,4.34％,3.41％.与其他模型相比,该算法具有很好的分割性能.