控制与决策

作者：武相虎,束鑫,范燕,黄树成,史金龙

单位：江苏科技大学 计算机学院，江苏 镇江 212100,,江苏科技大学 计算机学院，江苏 镇江 212100;发育与妇儿疾病四川省重点实验室，成都 610000,,江苏科技大学 计算机学院，江苏 镇江 212100,,江苏科技大学 计算机学院，江苏 镇江 212100,,江苏科技大学 计算机学院，江苏 镇江 212100,

关键词：深度学习;卷积神经网络;Transformer;注意力机制;多尺度特征提取;医学图像分割

基金：江苏省研究生科研与实践创新计划项目(SJCX24_2541)；发育与妇儿疾病四川省重点实验室开放课题项目(2023003)；国家自然科学基金面上项目(62276118).

卷积神经网络(CNN)在医学图像分析领域得到了广泛应用, 但是受其固定感受野的局限性, 传统的CNN模型难以建立图像中的长距离依赖关系. Transformer通过自注意力机制能够建立图像全局视角下的信息依赖, 拥有更强的序列建模能力. 然而, Transformer难以捕获图像的局部细节特征. 为了解决上述问题, 提出一种基于CNN与Transformer的混合模型DC-TransNet, 用于医学图像分割. 首先, DC-TransNet采用双解码器结构建立图像局部和长距离依赖, 以捕获局部和全局特征; 然后, 考虑到基于编码器-解码器结构的网络模型在不同深度提取到的特征图大小不一致, 设计两种特征感知注意力机制CFP和SFP, 以合理分配局部和全局特征的权重; 最后, 在多个医学数据集上进行实验. 实验结果表明: DC-TransNet在2D医学图像单类别分割任务中取得了有竞争力的结果, mIoU和mDice等系数均得到了显著提升.

来源：2025年第3期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第3期