Интеграция многомасштабных признаков и механизмов внимания для сегментации колоректальных опухолей на компьютерных томограммах
Автор: Ван Ю., Аксёнов С.В.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект и машинное обучение
Статья в выпуске: 2 (71) т.17, 2026 года.
Бесплатный доступ
В последние годы технологии глубокого обучения получили широкое применение в области анализа медицинских изображений, демонстрируя выдающиеся результаты, особенно в задачах сегментации. В связи с проблемой потери семантической информации на этапе извлечения признаков в U‑образных сетях, что ограничивает точность сегментации опухолей прямой кишки, в данной работе на основе архитектуры U‑Net предложена новая модель сегментации, получившая название MGA‑UNet (Multi‑scale Ghost Attention U‑Net). Модель объединяет многомасштабное извлечение признаков, механизмы двойного (канального и пространственного) внимания и блоки управления вниманием (Attention Gate) в пропускных соединениях. Основные улучшения заключаются в следующем: Во‑первых, на этапе кодирования используется усовершенствованный модуль Ghost (интегрированный с RFB) для извлечения и слияния признаков на различных масштабах. Во‑вторых, в путь кодирования внедрён модуль внимания CBAM для усиления отклика сети на малоразмерные целевые объекты. В‑третьих, в пропускные соединения встроены блоки управления вниманием для подавления нерелевантных фоновых областей и выделения характеристик опухоли. Результаты тестирования на наборе КТ‑данных колоректального рака показали высокую эффективность предложенной модели. По сравнению с классическими моделями U‑Net, GhostNet, а также современными архитектурами Mamba‑UNet и U‑SAM, предложенная модель обеспечивает более точную локализацию границ опухоли прямой кишки и демонстрирует превосходное качество сегментации. Эффективность и стабильность каждого модуля подтверждены в ходе абляционных исследований и анализа чувствительности гиперпараметров.
U‑Net, механизм внимания, пропускные соединения, сегментация изображений, MGA‑UNet
Короткий адрес: https://sciup.org/143186014
IDR: 143186014 | УДК: 004.93'11:616-073.75 | DOI: 10.25209/2079-3316-2026-17-2-147-190
Integrating Multi-Scale Features and Attention Mechanisms for Colorectal Tumor Segmentation in CT Images
In recent years, deep learning technologies have been widely applied in medical image analysis, demonstrating outstanding performance particularly in image segmentation tasks. To address the issue of semantic information loss during the feature extraction stage in U‑shaped networks, which limits the segmentation accuracy of colorectal tumors, this paper proposes a novel segmentation model based on the U‑Net architecture, named MGA‑UNet (Multi‑scale Ghost Attention U‑Net). The model integrates multi‑scale feature extraction, dual channel and spatial attention mechanisms, and attention gating in skip connections. The specific improvements are as follows: First, an enhanced Ghost module (combined with RFB) is adopted in the encoding stage to achieve extraction and fusion of multi‑scale feature information. Second, the CBAM (Convolutional Block Attention Module) is introduced into the encoding path to enhance the network's feature response to small‑scale targets. Third, attention gate units are embedded in the skip connections to suppress irrelevant background regions and highlight tumor features. Experimental results on a colorectal tumor CT dataset demonstrate the high effectiveness of the proposed model. Compared with the classic U‑Net, GhostNet, and the recent Mamba‑UNet and U‑SAM, the proposed model can delineate colorectal tumor regions more accurately and achieves superior segmentation performance. Furthermore, ablation studies and hyperparameter sensitivity analysis verify the effectiveness and stability of each proposed module.
