Uma Nova Estratégia de Conexão Skip Fundindo Recursos Espaciais e de Canal para Segmentação de Imagens Médicas em Múltiplas Regiões

Métodos recentes geralmente introduzem mecanismos de atenção nas conexões skip de redes em forma de U para capturar recursos. No entanto, esses métodos costumam negligenciar a extração de informações espaciais nas conexões skip e apresentam ineficiência na captura de informações espaciais e de canal. Essa questão nos leva a reavaliar o design do mecanismo de conexão skip e propor uma nova rede de aprendizado profundo chamada Rede de Atenção Espacial e de Canal Fusa, abreviada como FSCA-Net. A FSCA-Net é uma nova arquitetura de rede em forma de U que utiliza o Transformer de Atenção Paralela (PAT) para aprimorar a extração de recursos espaciais e de canal no mecanismo de conexão skip, compensando ainda mais as perdas de downsampling. Projetamos a Camada de Ponte de Atenção Cruzada (CAB) para mitigar a perda excessiva de recursos e resolução ao downsample para o nível mais baixo, garantindo a fusão de informações significativas durante o upsampling no nível mais baixo. Finalmente, construímos o módulo de Atenção de Canal de Caminho Duplo (DPCA) para guiar o filtragem de informações de canal e espaciais para recursos do Transformer, eliminando ambiguidades com recursos do decodificador e concatenando melhor os recursos com inconsistências semânticas entre o Transformer e o decodificador U-Net. A FSCA-Net é projetada explicitamente para tarefas de segmentação de alta precisão de múltiplos órgãos e regiões. Nossa abordagem alcança mais de 48% de redução em FLOPs e mais de 32% de redução em parâmetros em comparação com o método de ponta. Além disso, a FSCA-Net supera os métodos de segmentação existentes em sete conjuntos de dados públicos, demonstrando um desempenho excepcional. O código está disponível no GitHub: https://github.com/Henry991115/FSCA-Net .