用于血管内光学相干断层图像支架分割的融合注意力网络
摘要
为了解决血管内光学相干断层（IVOCT）图像中支架目标分割容易受到复杂背景影响，导致分割效果不理想的问题，提出了一种多尺度融合注意力机制支架分割网络（FAU-Net）。该方法将 U-Net 作为网络结构的主要部分，首先采用小波变换下采样模块代替原有的池化层，以充分保留边缘和细节信息；然后在编码器块中嵌入一个多维融合注意力模块，以增强模型对小目标支架的检测能力；最后在跳转连接处设计了一个多尺度卷积模块，通过多尺度特征帮助网络定位目标，同时提高网络对目标周围环境的灵敏度。在由5622幅光学相干断层（OCT）图像组成的数据集上对所提多尺度FAU-Net进行评估，网络的Dice系数达到了75.91%，相比于U-Net提升了4.00百分点，展现出了较好的性能。
引用本文（GB/T 7714）
魏少江 Wei Shaojiang, 张潍 Zhang Wei. 用于血管内光学相干断层图像支架分割的融合注意力网络[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。