بهبود شبكه هاي Unet براي قطعه بندي تصاوير پزشكي با اضافه كردن لايه هاي مكانيزم توجه

قطعه بندي تصاوير پزشكي يكي از مهم ترين گام ها در تحليل تصاوير پزشكي، جهت بهبود تشخيص و يافته ها است. يكي از متداول ترين روش هاي قطعه بندي در يادگيري عميق، استفاده از شبكه هاي Unet است. وجود لايه هاي متراكم در قسمت رمزگشاي Unet، اجازه استخراج اطلاعات از لايه هاي عميق تر را نمي دهد؛ همچنين به علت محدوديت ميدان دريافتي هسته هاي كانولوشن، اطلاعات و وابستگي هاي دوربرد به خوبي در نظر گرفته نمي شوند. در اين مقاله، هدف طراحي يك ساختار در اتصالات پرش به منظور كاهش شكاف معنايي بين ناحيه رمزگذار و رمزگشا است. استخراج بهتر و تمركز بيشتر برروي ويژگي هاي محلي و سراسري در مجموعه داده هاي مختلف، از ويژگي هاي اين ساختار است.همچنين يك ساختار توجه به منظور كاهش پارامترهاي شبكه و بهبود نتايج، در گلوگاه شبكه طراحي شده است. اين روش برروي ۶ مجموعه داده پزشكي ارزيابي شده است كه نتايج به دست آمده در دو معيار ارزيابي Diceو Iou نشان مي دهد مدل پيشنهاد شده نتايج بهتري نسبت به Unet و روش هاي مبتني بر آن دارد.