高斯滤波增强技术融合最大类间方差法在医学影像诊断中的应用研究

为了进一步提高肺部医学影像辅助诊断的准确性,提出一种高斯滤波增强技术融合最大类间方差法对肺部CT影像进行分割和计算病变面积占比的算法。首先对原始图像采用高斯低通滤波运算去除噪声和杂质并使用MSVSR提高图像质量,然后通过最大类间方差法将图像目标和背景分割出来,再将二值化图像一分为二,一方面采用高斯高通滤波运算锐化磨玻璃影和病变肺实质,另一方面使用HED将肺轮廓提取出来,最后计算出病变区域与肺轮廓面积占比。临床试验数据表明,本文算法不仅可以去除伪影和噪声,还能够最大限度地保留临床意义上的图像特征信息,具有较高的准确性,可以为临床研判肺部疾病严重程度与医疗诊治提供帮助。

基于U-Net的COVID-19病灶医学影像ZMINet分割模型

针对COVID-19病灶医学影像边缘模糊及小病灶丢失的问题,基于多尺度多层级特征集成与多分支交互式学习策略对U-Net进行改进,提出一种基于U-Net的COVID-19病灶医学影像ZMINet分割模型。原图被缩放至多个尺度输入编码器;利用SIU-AIM模块多分支交互式地逐层学习融合层内与层间的多尺度关键特征,并将特征传入由SIM组成的解码器之对应层;SIM利用交互式学习策略以获取更丰富的多尺度信息表征,并自下而上集成多层特征;使用UAL作为损失函数指导模型输出更清晰的预测结果。在公开数据集上的对比实验表明,ZMINet分割模型在Dice、精确率、特异性和平均绝对误差等指标分别达到了79.2%、81.8%、96.8%和6.3%,与其他算法相比其性能得到了明显的提升。