Une approche novatrice de la segmentation pulmonaire sur les radiographies thoraciques utilisant U-net et un module d'attention par blocs convolutionnels modifié

La segmentation pulmonaire sur les images de radiographie thoracique est d'une importance primordiale car elle joue un rôle crucial dans le diagnostic et le traitement de diverses maladies pulmonaires. Cet article présente une approche novatrice pour la segmentation pulmonaire sur les images de radiographie thoracique en intégrant U-net avec des mécanismes d'attention. La méthode proposée améliore l'architecture U-net en incorporant un module d'attention par blocs convolutionnels (CBAM), qui unifie trois mécanismes d'attention distincts : l'attention par canaux, l'attention spatiale, et l'attention par pixels. Le mécanisme d'attention par canaux permet au modèle de se concentrer sur les caractéristiques les plus informatives à travers divers canaux. Le mécanisme d'attention spatiale améliore la précision du modèle en matière de localisation en se concentrant sur des emplacements spatiaux significatifs. Enfin, le mécanisme d'attention par pixels permet au modèle de se concentrer sur des pixels individuels, affinant ainsi l'accent du modèle et améliorant la précision de la segmentation. L'adoption du CBAM proposé en conjonction avec l'architecture U-net marque une avancée significative dans le domaine de l'imagerie médicale, avec des implications potentielles pour améliorer la précision diagnostique et les résultats pour les patients. L'efficacité de cette méthode est validée par rapport aux techniques de pointe contemporaines, montrant sa supériorité en termes de performance de segmentation.