为了提高断层识别的准确率, 提出改进Unet模型。为编码器部分设计一种多分支的并联结构M-block(Multi-branch block), 它可以捕获多尺度上下文信息, 并且多分支的并联结构会带来高性能收益。在解码器部分加入Self-Attention块和注意力门控机制。Self-Attention通过对输入特征上下文的加权平均操作, 不仅使注意力模块能够灵活地关注图像的不同区域, 而且弥补了CNN(Convolutional Neural Network)网络局部性的缺点, 为神经网络带来更多的可能性。通过合成数据和实际数据证实, 该模型将传统卷积中的权值共享优点和Self-Attention动态计算注意力权重的优点结合, 提高了断层识别的精度, 与Unet相比, 验证损失下降了33.68%。模型不仅准确识别出了断层特征, 且比目前流行的深度学习方法更准确。
