基于双分支特征提取的息肉图像分割网络

结肠息肉分割是从结肠息肉图像中提取病理信息的关键步骤,对结直肠癌的诊断和治疗具有重要意义。针对结肠息肉分割中形状大小不一、病灶组织与背景差异性难以区分等问题,本文提出了一种基于CNN和Swin Transformer的双分支特征提取的医学息肉分割网络(DST-Net),其充分考虑了卷积神经网络和Transformer在提取局部特征和全局特征各自的优势。DST-Net是一种编码器-解码器架构,首先设计了基于VGG和空洞卷积(AC)的两种编码器分别提取局部边界特征和多尺度特征;接下来在编解码器中间的底部模块使用两个连续的Swin Transformer模块,充分利用Transformer的远程依赖关系进一步加强网络的全局特征提取能力;最后,在编解码器之间的跳过连接中使用了通道注意力模块(CAB),以更加关注可疑和复杂的区域。在CVC-Clinic DB和Kvasir两个公开的息肉数据集上验证了所提出方法,结果表明该模型优于现有的其他方法,可以准确有效地实现结肠息肉的分割任务。

结合频域先验和特征增强的心脏图像分割方法

针对心脏磁共振图像中的心脏子结构之间灰度差异小导致的边界不清、右心室区域形状大小多变等影响分割精度的问题,提出一种结合频域先验知识和特征融合增强的心脏磁共振图像分割网络。所提模型是一个由频域先验引导子网络和特征融合增强子网络组合而成的D形结构网络。首先,通过傅里叶变换将原始图像从空间域转换为频域,提取出高频的边缘特征,并将频域先验引导的子网络的低级特征与特征融合增强子网络的对应阶段进行特征拼接融合,以提高边缘识别的能力;其次,在特征融合增强子网络的跳转连接处引入具有局部和全局注意力机制的特征融合模块,提取上下文信息并获得丰富的纹理细节;最后,在网络底部引入Transformer模块,进一步提取长距离语义信息,增强模型表达能力,提高分割精度。在ACDC数据集上的实验结果表明,与现有方法相比,所提方法在客观指标和视觉效果上均取得最佳的效果,良好的心脏分割结果能为后续图像分析和临床诊断提供参考依据。

基于双域的密集连接残差卷积网络的磁共振重建

磁共振成像是一种重要的医学影像临床工具,然而生成高质量的磁共振图像需要较长的扫描时间。为了加速磁共振成像速度,重建高质量的磁共振图像,提出一种级联频域和图像域的密集连接残差模块的磁共振重建网络。所提模型由频域重建网络和图像域重建网络组成,每个网络以U形的编码器-解码器结构为基础架构,两个域之间利用傅里叶逆变换进行转换。编码器采用了新设计的密集连接残差块,在提高特征复用的同时能够缓解梯度消失问题。在跳转连接处引入了坐标注意力,用于全局特征的提取和增强纹理细节的恢复。在公开的CC-359数据集上评估所提模型的性能。实验结果表明,与现有其他方法相比,所提方法在不同的采样率和采样掩模下可以有效去除伪影和保留更多的纹理细节,重建出更高质量磁共振图像。