基于高灰度值注意力机制的脑白质高信号分割

脑白质高信号是脑小血管病的常见影像学表现,对脑小血管病患者临床诊断有重要参考价值。脑白质高信号分割是临床诊断的基础工作之一,往往需要极具经验的医师进行手动刻画,极其耗费时间且繁琐。脑白质高信号是脑核磁共振成像T2加权像或者液体衰减反转恢复序列图像(Fluid Attenuated Inversion Recovery,FLAIR)中的高信号影,其灰度值明显高于其它正常的脑部组织。为提高对脑白质高信号区域的关注,根据脑白质高信号的影像学特征,提出一种具有高灰度值注意力机制的网络模型。基于UNet网络,设计并引入高灰度值注意力模块,使网络模型更加关注于图像中灰度值较高的区域;为提高网络模型的特征提取能力,引入残差混合注意力模块。该方法明显地提升了脑白质高信号分割效果,DSC指标和Recall指标分别达到0.8330和0.8870,优于现有算法。消融实验也验证了高灰度值注意力模块和残差混合注意力模块的有效性。本文为基于FLAIR影像的脑白质高信号病灶分割提供了一种新方法,同时验证了传统图像分割方法与深度学习技术相结合的可行性。

基于特征融合的海马体分割

针对现有海马体分割算法无法对目标区域进行精确分割的问题,利用编解码结构研究一种基于特征融合的海马体分割模型。首先利用Resnet34作为模型特征编码层提取更丰富的语义特征;其次在编解码过渡层引入基于混合扩张卷积的ASPP模块以获取多尺度特征信息。最后使用注意力特征融合机制作为编解码层间的连接层以有效结合深层特征与浅层特征,为后续分割提供海马体区域位置信息,提高模型分割性能。实验在ADNI数据集上进行以验证提出模型的有效性,所研究网络模型IoU、DICE、精确率、召回率4个评价指标上分别达到了84.67%、88.51%、87.90%和89.01%。与现有先进医学分割算法进行实验对比,也表明了该模型有更好的分割能力,达到了较好的海马体图像自动分割效果。