基于Unet的多任务医学图像语义分割模型

深度学习网络在医学图像分割领域应用广泛,传统语义分割模型只考虑局部像素点,在小目标的医学图像语义分割中检测精度不高。提出了基于Unet的双任务图像语义分割模型,对传统的Unet语义分割进行改进,编码阶段采用经过预训练的Resnet34作为框架进行特征提取,设计了SCSE模块对图像特征信息进行修正,从空间和通道两个方向获取图像的全局信息,损失函数采用“分类”和“分割”融合的多任务策略进行学习,对气胸医学图像进行语义分割。为进一步提高网络模型的泛化能力,对数据集图像进行随机水平翻转、垂直翻转等图像增强处理。实验表明该语义分割方法比传统的Unet语义分割方法在分割精度上提高5%以上。