融合双残差密集与注意力机制的视网膜血管分割

针对视网膜血管末端细小,且容易与背景混淆等现象从而导致细小血管不易分割和断裂等情况,提出了一种融合双残差密集与注意力机制的视网膜血管分割算法。首先,在编码器部分利用双残差密集块与高效通道注意力机制来获取特征;其次,为了解决细小血管分割不足的现象,在编码器与解码器中间使用空洞卷积替换标准卷积来增大感受野;最后,自适应聚合块将之前所有块的特征映射组合起来,形成一个新的特征映射,作为后续层的输入,在自适应聚合块或DDRB之后,将使用卷积层来压缩特征映射,则双残差密集块(从DDRB1到DDRB5)的输出特征映射被完全重用。分别在DRIVE和STARE数据集上进行验证,其ACC分别为96.85%和97.84%,AUC分别为98.61%和99.45%。

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。