基于MLDCSAU-Net的视网膜图像血管分割算法

视网膜图像中血管的准确分割有助于对眼部病变的观察。为了提高视网膜图像血管分割精度和特征信息复用率以及精简模型,从网络框架入手,提出一种结合DCSAU-Net、多尺度信息融合模块以及Ghost模块的视网膜图像血管分割模型——MLDCSAU-Net模型。模型改进主要包括两个方面:首先在跳跃连接之后引入多尺度信息融合模块;其次编码器端使用Ghost模块替换编码器端的CSA模块。实验结果表明:多尺度信息融合模块对于模型的分割准确率有较大提升;Ghost模块有效减少了模型参数量。在STARE、CHASEDB1和HRF三个公开数据集中MLDCSAU-Net模型的准确率、查准率、查全率和F1分数均高于原模型,同时参数量更少。

基于CAMCGU-Net网络的CT图像肺实质分割算法

肺癌的及时诊断和治疗能够降低肺癌病人的死亡率,目前的主要诊断方法是采用计算机断层扫描(computer tomography,CT)技术,CT具有更高的分辨率和灵敏度,能够正确检测肺部中病灶位置。基于CT图像的肺实质准确分割是临床肺部疾病诊断的一个重要任务。针对肺实质分割时特征信息易丢失、前景和背景易混淆的问题,改进并提出了一种融合协调注意力和密集连接的空间卷积块的深度学习模型CAMCGU-Net(coordinate attention multi-level context gating U-Net)。主要改进如下:在编码器和解码器中间引入密集连接的空洞卷积块,帮助模型获取丰富多尺度特征信息,减少特征信息的丢失;在上采样后加入协调注意力(coordinate attention,CA)模块,高效整合空间坐标信息、增强目标对象的表示以提高模型对前景区域的定位能力,避免前景和背景混淆。在Kaggle肺分割数据集上的实验结果显示提出的模型得到的结果更加接近标注图像,在准确率(Accuracy,ACC)、特异性(Specificity,SP)、F1分数(F1-Score)等评估指标上均优于对比方法,能够更有效地分割肺实质。