Motorize mikroskopların yaygınlaşması, hastadan alınan dokunun otomatik taranarak tek bir büyük görsele aktarılması ve bölütlemeye özel derin/çekişmeli ağların üretilmesi gibi yenilikler bölütleme probleminde uzman etiketlemesine oldukça yakın çıktıları otomatik üretebilme ümidini arttırmıştır. Özellikle dikkat modüllerinin klasik 3D- UNet veya GAN mimarilerine entegrasyonuyla bölütleme performanslarının iyileştirildiği bilinmektedir. Bu çalışmada histopatolojik görüntü bölütleme probleminin çözümünde dört farklı dikkat modülü (DAF, DAF3D, DANet ve MSA) etkileri analiz edilmiştir. DAF ve DAF3D modüllerinde tekil (SLF) ve çoklu (MLF) katman özellikleri birlikte kullanılırken, DANet ve MSA modüllerinde pozisyon ve kanal dikkat olmak üzere iki farklı mekanizma kullanılmaktadır. Yapılan deneysel çalışmalar sonucunda, DAF3D dikkat modülünün bölütleme doğruluğunu en yüksek seviyeye çıkardığı (0.76 mIoU ve 0.89 PA) görülmüştür. Aynı zamanda yaklaşımlar arasında en düşük bölütleme maliyetine (1 görüntü için 0.156 saniye) sahip olan yöntem yine DAF3D olmuştur.
Innovations such as the widespread use of motorized microscopes, the automatic scanning of the tissue taken from the patient and transferring it to a single large image, and the production of deep/adversarial networks specific to segmentation have increased the hope of automatically producing outputs very close to expert labeling in the segmentation problem. Particularly, it is known that segmentation performances are improved by integrating attention modules into classical 3D-UNet or GAN architectures. In this study, the effects of four different attention modules (DAF, DAF3D, DANet and MSA) were analyzed in solving the histopathological image segmentation problem. While single (SLF) and multiple (MLF) layer features are used together in DAF and DAF3D modules, two different mechanisms, position attention module and channel attention module, are used in DANet and MSA modules. As a result of the experimental studies, it has been seen that the DAF3D attention module maximizes the segmentation accuracy (0.76 mIoU and 0.89 PA). At the same time, the method with the lowest segmentation cost (0.156 seconds for 1 image) among the approaches was again DAF3D.
