محمد رجب قانع - کارشناس ارشد مهندسی کامپیوتر از دانشکده فنی و مهندسی دانشگاه شهید باهنر، کرمان ، ایران
عباس بحرالعلوم - بخش مهندسی کامپیوتر ،دانشکده فنی و مهندسی ، دانشگاه شهید باهنر کرمان
مهدی افتخاری - بخش مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان

قطعه بندی تصاویر پزشکی یکی از مهم ترین گام ها در تحلیل تصاویر پزشکی، جهت بهبود تشخیص و یافته ها است. یکی از متداول ترین روش های قطعه بندی در یادگیری عمیق، استفاده از شبکه های Unet است. وجود لایه های متراکم در قسمت رمزگشای Unet، اجازه استخراج اطلاعات از لایه های عمیق تر را نمی دهد؛ همچنین به علت محدودیت میدان دریافتی هسته های کانولوشن، اطلاعات و وابستگی های دوربرد به خوبی در نظر گرفته نمی شوند. در این مقاله، هدف طراحی یک ساختار در اتصالات پرش به منظور کاهش شکاف معنایی بین ناحیه رمزگذار و رمزگشا است. استخراج بهتر و تمرکز بیشتر برروی ویژگی های محلی و سراسری در مجموعه داده های مختلف، از ویژگی های این ساختار است.همچنین یک ساختار توجه به منظور کاهش پارامترهای شبکه و بهبود نتایج، در گلوگاه شبکه طراحی شده است. این روش برروی ۶ مجموعه داده پزشکی ارزیابی شده است که نتایج به دست آمده در دو معیار ارزیابی Diceو Iou نشان می دهد مدل پیشنهاد شده نتایج بهتری نسبت به Unet و روش های مبتنی بر آن دارد.

قطعه بندی تصاویر پزشکی, شبکه های عصبی پیچشی, مکانیزم توجه, یادگیری عمیق, Unet