跨尺度跨维度的自适应Transformer网络应用于结直肠息肉分割

针对结直肠息肉图像病灶区域尺度变化大、边界模糊、形状不规则且与正常组织对比度低等问题,导致边缘细节信息丢失和病灶区域误分割,提出一种跨尺度跨维度的自适应Transformer分割网络。该网络一是利用Transformer编码器建模输入图像的全局上下文信息,多尺度分析结直肠息肉病灶区域。二是通过通道注意力桥和空间注意力桥减少通道维度冗余和增强模型空间感知能力,抑制背景噪声。三是采用多尺度密集并行解码模块来填补各层跨尺度特征信息之间的语义空白,有效聚合多尺度上下文特征。四是设计面向边缘细节的多尺度预测模块,以可学习的方式引导网络去纠正边界错误预测分类。在CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和ETIS数据集上进行实验,其Dice相似性系数分别为0.942,0.932,0.811和0.805,平均交并比分别为0.896,0.883,0.731和0.729,其分割性能优于现有方法。仿真实验表明,本文方法能有效改善结直肠息肉病灶区域误分割,具有较高的分割精度,为结直肠息肉诊断提供新窗口。

多分辨率融合输入的U型视网膜血管分割算法

针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点,该文提出一种多分辨率融合输入的U型网络(MFIU-Net),旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络,生成高分辨率特征。采用改进的ResNeSt代替传统卷积,优化血管分割边界特征;将并行空间激活模块嵌入其中,捕获更多的语义和空间信息。构架另一U型精细分割网络,提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合,抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合,以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验,其准确率分别为97.00%,97.47%和97.48%,灵敏度分别为82.73%,82.86%和83.24%,曲线下的面积(AUC)值分别为98.74%,98.90%和98.93%。其模型整体性能优于现有算法。