双通道Unet模型对前列腺自动勾画的研究

目的:在图像分割的深度学习算法Unet网络基础上建立双通道Unet(DUnet)深度学习结构模型,以提高前列腺器官图像自动分割的准确性。方法:选取100例受检者的前列腺核磁扫描图像,其中50例来自医院图像资料系统,50例来自国际医学图像计算和计算机辅助干预(MICCAI)Grand Challenge数据库。100例受检者的扫描图像中81例为训练集,10例为验证集,9例为测试集。采用相干增强扩散(CED)算法对原始图像纹理和边缘进行强化,通过跳跃连接突出有效特征,获取更多多维信息增加上采样分辨率。建立双通道收缩路径和扩张路径形成对称结构DUnet,并行提取和学习原始图像以及CED图像特征,将双通道输出特征图融合得到分割图像。采用整体的Dice系数(Accuracy)、以扫描对象为单位的Dice相似系数平均值(Mean DSC)、Dice相似系数中位值(Median DSC)、平均表面距离(ASD)、最大对称表面距离(MSD)和相对体积差(RVD)6项指标对DUnet、Unet^(#)(原始图像)和Unet^(*)(CED图像)3种方法进行评估。结果:DUnet、Unet^(#)表现均优于Unet^(*)。表现最好的DUnet相较于Unet^(#),Accuracy提高1.28%,Mean DSC提高1.43%,Median DSC提高0.86%,ASD降低0.2 mm,RVD降低2.66%。直观勾画方面,DUnet自动勾画与医生手动勾画吻合度更高,勾画更加精准。DUnet在前列腺器官边界起伏区域更能捕捉到其形状的变换,对混淆性、相似性边界区域也有更好的辨别。结论:DUnet模型在突出其纹理和边缘强化特征的同时,弥补了强化效果导致精细结构的损失,在前列腺图像分割与勾画方面较Unet具有更优的表现。

一种改进的双通道多尺度医学图像分割网络模型

近年来,深度学习在医学图像处理中的应用越来越广泛。UNet作为医学图像分割的主要方法,虽然具备一定的优势,但在细节处理及精确度上仍不够理想。为了优化分割效果,本研究提出一种改进的UNet分割模型。该模型在UNet的网络架构基础上,使用残差连接代替编码器和解码器之间的跳跃连接;同时将编码器中卷积操作更改为双通道多尺度卷积,并在编码器中加入挤压激励块。在Kvasir-SEG、CVC-ClinicDB、ISIC2018三个数据集上的实验结果表明,该模型与其它几种UNet改进算法相比,分割精度有所提高。

基于双路径网络和注意力机制的胰腺图像分割

针对胰腺CT图像因类别不平衡、背景分散和非刚性几何特征的特性而分割精度不高的问题,提出一种基于Unet网络,采用改进的双路径网络和通道域注意力机制的图像分割模型。首先采用空洞卷积(DilatedConv)代替传统卷积优化双路径网络,扩大感受野,让每个卷积输出都包含较大范围的信息;再将双路径网络的编码器结构引入Unet网络,加强特征的重复利用和新特征的不断探索,获取更多图像细节信息;在此改进网络基础上引入通道域注意力机制,聚焦分割重要部位,提高分割准确率。实验数据表明,设计的网络最高Dice相似系数(DSC)达到了89.81%,最低DSC为72.33%,平均DSC为(85.82±4.73)%。结果表明该模型具有较高的准确率,准确分割胰腺是计算机辅助诊断的重要前提,其研究意义重大。