الانتباه المتقاطع المزدوج للتحليل التصنيفي للصور الطبية

نُقدِّم وحدة الانتباه المزدوج عبر التقاطع (DCA)، وهي وحدة انتباه بسيطة ولكن فعّالة، قادرة على تعزيز الاتصالات المُسْتَكْمِلة (skip-connections) في هياكل U-Net الخاصة بالتقسيم الطبي للصور. تُعالج DCA الفجوة الدلالية بين ميزات المُشَكِّل (encoder) وميزات المُنَفِّذ (decoder) من خلال التقاط التبعيات القناة والمكانية بالتسلسل عبر ميزات المُشَكِّل متعددة المقاييس. أولاً، تقوم وحدة الانتباه المتبادل القناة (CCA) باستخراج التبعيات الشاملة على مستوى القنوات باستخدام تقنية الانتباه المتبادل عبر رموز القنوات في ميزات المُشَكِّل متعددة المقاييس. ثم، تقوم وحدة الانتباه المتبادل المكاني (SCA) بتطبيق الانتباه المتبادل لاستخلاص التبعيات المكانية عبر رموز المكان. في النهاية، تُعاد عينة الميزات المُشَكِّلة الدقيقة وترتبط بجزء المُنَفِّذ المقابل لتشكيل مخطط الاتصال المُسْتَكْمِل. يمكن دمج وحدة DCA المقترحة في أي بنية مُشَكِّل-مُنَفِّذ تحتوي على اتصالات مُسْتَكْمِلة، مثل U-Net ومشتقاتها. قمنا باختبار وحدة DCA من خلال دمجها في ستة هياكل قائمة على U-Net، مثل U-Net وV-Net وR2Unet وResUnet++ وDoubleUnet وMultiResUnet. أظهرت وحدة DCA تحسينات في معامل دايكس (Dice Score) تصل إلى 2.05% على مجموعة GlaS، و2.74% على MoNuSeg، و1.37% على CVC-ClinicDB، و1.12% على Kvasir-Seg، و1.44% على مجموعة Synapse. يمكن الوصول إلى الكود الخاص بنا عبر: https://github.com/gorkemcanates/Dual-Cross-Attention