55、医学图像分割新方法：EGE - UNet与BerDiff模型解析

医学图像分割新方法：EGE - UNet与BerDiff模型解析

在医学图像分割领域，如何提高分割的准确性和多样性，同时降低计算资源的消耗，一直是研究的重点。本文将介绍两种创新的模型：EGE - UNet和BerDiff，它们分别从不同的角度为医学图像分割带来了新的解决方案。

1. EGE - UNet：高效组增强的U型网络

1.1 核心模块介绍

• Hadamard积注意力机制（HPA）与组多轴Hadamard积注意力模块（GHPA） ：基于ViT的模型中的多头自注意力机制（MHSA）虽能从多视角获取信息，但存在二次复杂度问题，导致模型规模增大。为解决这一问题，提出了具有线性复杂度的HPA。HPA使用可学习的权重与输入进行Hadamard积运算得到输出。受MHSA多头模式的启发，进一步提出了GHPA，将输入沿通道维度分为不同组，在不同组的不同轴上执行HPA，从而更全面地获取多视角信息。
• 组聚合桥模块（GAB） ：由于医学图像中分割目标的大小和形状不一致，获取多尺度信息至关重要。GAB以低层次特征、高层次特征和掩码作为输入，通过深度可分离卷积和双线性插值调整特征大小，将特征图分组融合，并引入掩码信息辅助特征融合，最后使用膨胀卷积提取不同尺度的信息。

1.2 EGE - UNet整体架构

EGE - UNet基于U型架构，由对称的编码器和解码器组成。编码器分为六个阶段，前三个阶段使用普通卷积，后三个阶段使用GHPA提取多视角信息。与传统UNet的简单跳跃连接不同，EGE - UNet在编码器和解码器的每个阶段都引