多尺度特征融合注意力新冠肺炎病灶分割网络

新冠病毒传染性极强,尽早的诊断和治疗是减少疫情造成损失的关键因素。为辅助医生诊断新冠病情,高效、准确地从肺部CT切片中分割新冠病灶,提出了一种改进的编码器-解码器深度神经网络———多尺度融合注意力网络MSANet(Multi-scale Attention Network),以图像分割效果较为出色的U-Net网络为基础,通过全局池化层和设置空洞卷积的采样率,增大网络感受野,捕获多尺度信息,实现对大目标的有效分割;使用通道注意力与空间注意力,在空间维度上建模,有效提取图像深层特征。测试结果表明,改进后的算法与U-Net网络相比,分割的平均交并比提升了1.46%,类别平均像素准确率提升了0.8%,准确率提升了1.17%。

基于空洞Inception注意力U-Net的遥感图像目标分割方法

针对遥感图像中目标类型多、目标尺寸小、目标大小差异较大、图像视场大、环境和背景复杂等特点导致其分割困难的问题,提出一种注意力空洞多尺度U-Net(ADMSU-Net)的遥感图像中目标分割方法。ADMSU-Net由收缩子网、扩展子网、空洞残差卷积连接和空间注意连接组成,在收缩和扩展子网中引入空洞多尺度Inception模块,在不增加计算成本的情况下学习多尺度高级特征,在跳跃连接中加入空间注意机制,提取特征之间的空间相关性,提高模型的分割性能。在包含多尺度目标的遥感图像数据集EORSSD上的实验结果表明,该方法是有效可行的,分割准确率为93%以上。

基于MAU-Net的CT多器官分割

基于计算机断层扫描(CT)图像的多器官精准分割能够准确诊断病灶,快速制定治疗计划,提高临床工作的效率.传统分割算法针对形变大、体积较小且边缘模糊的器官分割效果相对较差.本文提出了一种改进的U-Net的医学图像分割网络(MAU-Net),通过引入两个模块,旨在实现对多器官的精准分割.多尺度空洞卷积模块通过不同内核大小实现捕捉目标器官多尺度特征.动态注意力模块精确提取重要特征实现分支间的权重平衡.通过消融实验和其他主流网络的对比实验,验证了MAU-Net的优越性.相比于传统的U-Net模型,MAU-Net在所有器官上平均Dice相关系数(DSC)提高了3.39%,平均95%豪斯多夫距离(HD)降低了4.84 mm.MAU-Net在多器官分割任务中展现了出色的鲁棒性和应用潜力,有助于提高临床工作效率和医疗诊断的准确性.

融合多尺度空间特征的甲状腺结节超声图像分割

甲状腺结节超声图像噪声严重,不同组织间对比度低,在现有的甲状腺结节超声图像分割算法中存在边缘信息模糊和小结节分割不准确的问题,因此本文提出一种融合多尺度空间特征的甲状腺结节超声图像分割算法。该算法以U-Net模型为基础,在编码部分,引入坐标注意力机制,将位置信息嵌入到通道注意力中实现模型对甲状腺结节区域的定位,同时融合多尺度特征模块提取空间特征,在下采样过程中使用卷积操作,保留更多的细节特征,并采用二值交叉熵损失和Dice系数损失作为综合损失。实验结果表明,本文算法模型相比基准模型U-Net而言,在F1评价指标上提升了9.9个百分点,在精确率上提高至92.8%,从而验证本文所提方法的可行性与有效性。