HPPE-Unet：一种基于边界增强技术的U型网络，结合混合注意力机制和多尺度特征融合算法，用于小样本医学图像分割

《International Journal of Imaging Systems and Technology》：HPPE-Unet: A Boundary-Enhanced U-Shaped Network With Hybrid Attention and Multi-Scale Feature Fusion for Small-Sample Medical Image Segmentation

医学图像分割模型通过融合多尺度特征提取与优化跳转连接机制，显著提升小样本数据下的边界识别能力。研究提出HPPE-Unet架构，整合金字塔边缘提取模块与混合并行注意力模块，在主动脉夹层和公开ACDC数据集上分别达到97.65%和90.39%的Dice系数，有效解决现有Swin-Unet变体在小样本场景中的性能瓶颈。

　　

摘要

疾病的准确诊断依赖于医生的主观经验。自动图像分割技术可以帮助医生快速定位病变区域，从而提高诊断效率。在医学图像分割领域，目前主流的模型大多是Swin-Unet的变体，它们在大型样本数据集上表现良好。然而，由于Swin-Transformer架构的窗口限制，这些模型在处理小型样本数据集时往往面临性能瓶颈。相比之下，基于卷积的Unet变体模型在小型样本条件下的分割性能更好，但对于边界模糊的医学图像，其分割效果较差。为了解决这些问题，本文提出了一种新的边界信息增强架构——Hybrid-Parallel-Attention and Pyramid-Edge-Extraction Enhanced UNet（HPPE-Unet）。该模型基于卷积神经网络的编码器-解码器架构，结合了多尺度特征提取策略和优化的跳跃连接机制。它包含两个关键模块：Pyramid Edge Extraction（PEE）模块和Hybrid Parallel Attention（HP）模块。PEE模块应用于编码器和解码器的每个阶段，通过多尺度特征融合和边界强化机制显著提升了模型捕捉细微边界结构的能力。HP模块采用残差并行结构，结合了空间注意力（SA）和通道注意力（CA）块，有效弥合了编码和解码阶段特征之间的语义差距，并解决了编码器和解码器之间跳跃连接中的信息丢失问题。该方法在一家三级医院提供的大动脉夹层数据集上进行了评估，结果显示该方法在分割任务中的Dice相似系数（DSC）达到97.65%，平均交并比（Miou）达到97.92%。在公共的Automated Cardiac Diagnostic Challenge（ACDC）数据集上，DSC达到了90.39%。这些结果表明，所提出的方法在临床疾病诊断中具有显著的实际价值。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制，这些数据不对外公开。