基于Transformer网络的气胸图像分类方法

气胸是一种致命的疾病,借助胸部X光片的自动辅助诊断系统可以减少诊断时间并节省宝贵的治疗时间。提出了一种基于Transformer网络的气胸图像分类方法,针对气胸图像样本少,采用了迁移学习的方法初始化网络权重,为了提高图片的质量,使用直方图均衡化方法增强图像质量,提高网络分类的准确率。结果表明,所提方法的分类准确率达到了90.1%,与卷积网络DenseNet-121相比,准确率提高了3.6%,可以推广到临床的辅助诊断当中。

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。