用于多器官分割的多尺度聚合网络研究

多器官分割在病理分析、手术方案制定以及临床诊断上都具有重要的应用价值.但是,一些器官形变较大、尺寸较小且组织边缘模糊,导致分割效果较差.为了解决该问题,提出了一种用于多器官分割的多尺度聚合网络(MSANet).MSANet有两个优势:首先,设计了多尺度边界提取模块,使用多尺度卷积核提取多个特征图,将不同尺度的特征图互相结合,从而聚合全局上下文信息,并提取不同器官的边界和细节信息;其次,设计了聚焦式注意力模块,通过学习的注意力权重来调节特征图的重要性,从而聚焦感兴趣的多器官区域并捕捉不同器官的关键特征,进一步提高分割性能.在两个公开数据集CHAOS和MS-CMRSeg上进行了大量实验.实验结果表明:MSANet在两个数据集上的分割效果均优于当前主流的多器官分割方法,显著提高了多器官分割精度.

多尺度ResNeSt-50聚合网络与置信度传播的息肉图像分割

针对大肠的息肉组织与正常组织间无明显边界,准确定位息肉位置困难的问题,提出了一种多尺度ResNeSt-50聚合网络融合顺序树重加权置信度传播(sequential Tree-Reweighted Message Passing,TRW-S)的息肉图像分割方法。为提高网络对息肉信息的表达能力,构建编码-解码结构的多尺度ResNeSt-50聚合网络,编码器由卷积模块和4级ResNeSt模块级联构建ResNeSt-50骨干网络,实现跨通道信息间的线性整合与连接;ResNeSt-50采用拆分注意力机制加强重要通道组的表现能力,增强了残差模块提取息肉图像信息的能力;解码部分下三层构建多层感受野模块(recep⁃tive field block,RFB)获取多尺度信息,然后用密集聚合模块整合其输出,并以快速解码方式输出解码信息,保证其分割性能的同时减少参数量;其次,生成预测图时采用测试时图像增强(Test-Time Augmentation,TTA)模块提升预测准确度,并增强网络的泛化能力;最后,构建基于马尔科夫随机场的TRW-S算法对输出的预测图进行后处理,以实现分割边缘的连续性和分割区域内部的一致性。对大肠息肉数据集Kvasir-SEG的测试结果表明,本文方法相比于U-Net,UNet++,ResUnet、SFA、PraNet等算法,mDice值达91.6%,mIoU达86.3%,Smeasure达0.921,MAE为0.023,优于其他五种息肉分割算法;在未知数据集ETIS-LaribPolypDB,ColonDB上测试结果表明,相比于PraNet模型,本文模型的mDice值分别提升了14.2%,7.7%;从本文模型在ETIS-LaribPolypDB数据集上的分割表现看,本文算法对微小病变十分敏感;因此,本文算法分割的息肉图像,在分割区域内部的一致性、分割边缘的连续性、轮廓清晰度、捕捉微小病变能力等方面均表现出优良的性能,同时,对未知数据集具有较好的泛化能力。

基于MSFA-Net的车辆及车道线检测算法

车辆检测与车道线分割是自动驾驶感知系统的重要组成部分,其基本要求是具有高精度和实时性。鉴此提出一种双任务多尺度特征聚合网络(MSFA-Net),该网络由1个特征提取网络和2个检测分支网络构成,实现了车辆和车道线同时检测。首先使用E-ELAN网络构造共享主干特征网络;在车辆检测分支网络设计增强卷积模块(CBS+)进行自下而上的特征融合以提升精度;在车道线检测分支网络使用特征融合模块(FeatFuse)对多分辨率特征进行自适应加权融合,配合空洞卷积语义感知模块(CDBS)使用梯形结构的多空洞值卷积对融合特征进行采样,以提升不连续车道线及其他非线性车道的分割精度。结果表明:在BDD100K数据集上,该文网络MSFA-Net其平均精度均值、召回率、像素准确率分别达到了81.3%、90.1%和80.1%,检测帧率达到了41.6帧/s,能较好适应真实行车环境的需求。

小样本条件下的带钢表面缺陷检测

针对工业场景下带钢表面缺陷样本少、缺陷尺寸大小不一等问题,提出一种适用于小样本条件下的带钢表面缺陷检测网络.首先,算法以YOLOv5s框架为基础,设计一种融合注意力机制的多尺度路径聚合网络作为模型的颈部,增强模型对缺陷目标的多尺度预测能力;其次,提出一种自适应解耦检测结构,缓解小样本情况下分类和定位任务之间的矛盾;最后,提出一种融合Wasserstein距离的边界框回归损失函数,提升模型对小目标缺陷的检测精度.实验表明,在构建的小样本带钢表面缺陷数据集上,本文模型的检测性能优于其他小样本检测模型,更适用于工业环境下的小样本缺陷检测任务.