融合密集编码器与双路径注意力的皮肤病变分割方法

针对皮肤镜图像病变区域存在形状大小各异、边界不连续且模糊、病灶区域与背景相似度高的问题,提出了一种融合密集编码器与双路径注意力的皮肤病变分割网络(DEDA-Net)。首先,运用密集编码模块进行多尺度信息融合增强网络特征提取能力,缓解皮肤镜图像中边缘模糊的问题,并采用跳跃连接与残差路径减少网络编解码之间的语义鸿沟;其次,根据特征图内每个特征点关联性程度大小进行加权提出了全局正态池化层,设计了在空间与通道两个维度提取特征信息的双路径注意力模块,避免因全局信息获取不足导致难以区分病灶区域与背景的问题;最后,利用辅助损失函数思想,在网络中间与最后的输出层两侧使用加权损失函数来提升网络泛化能力。实验结果表明,该算法在ISIC2017数据集上分割精度为96.45%,特异性为97.82%,Dice系数为93.16%,IoU为86.61%,比基线U-Net分别提高了5.93个百分点、6.45个百分点、6.53个百分点和5.63个百分点,能够有效分割皮肤病变区域。

基于密集多尺度特征和双注意力模块的皮肤病变分割

针对皮肤病变分割任务中病变区域大小不一、形状各异、内部像素差异大、边界模糊、周围存在气泡等问题,提出了一种基于密集多尺度特征和双注意力模块的U型分割网络DDAnet。该网络中的DenseASPP模块通过密集连接多个空洞卷积层来获取丰富的多尺度信息,同时由通道注意力模块(CAM)和位置注意力模块(PAM)构成的双注意力模块通过编码全局上下文信息,在通道和位置上对特征图进行重新配准,实现对相关特征的强调和对无关特征的抑制。两个模块并行连接、共同作用以提高分割精度。在ISIC2018数据集上,DDAnet的准确率(Acc)、Jaccard相似系数(JI)、Dice系数(DC)、敏感度(Sen)和特异性(Spec)指标值分别为96.75%、85.00%、91.36%、91.82%和97.42%,分割结果优于其他的分割网络,并且对于极具挑战的病例,DDAnet仍然能够产生准确、可靠的分割结果,说明其具备在临床诊断中辅助医生进行皮肤病变分割的潜力。

多尺度和边界融合的皮肤病变区域分割网络

皮肤病变区域的准确分割是临床诊断分析的关键一步。针对现有网络在皮肤病变区域存在尺寸大小多变、形状不规则、边界模糊和病变区域被遮挡的情况导致的分割效果不佳问题,在U-Net的基础上改进了原有结构,提出了一种用于皮肤病变区域分割的多尺度和边界融合网络(MSBF-Net)。首先,提出了分裂池化(SplitPool)模块,在缩小图像分辨率的同时有效地解决了空间信息丢失的问题。其次,提出了全尺度特征融合(FSFF)模块,有效地解决了以往方法仅将深层特征向浅层特征融合,而忽略了更浅层特征中的细节信息对网络分割决策的贡献问题。同时,重新设计了U-Net原有的跳跃连接,为解码器提供了更丰富的上下文信息。最后,提出了用于增强网络对边界特征学习能力的子路径,并引入边界融合(BF)模块将主路径和子路径的预测结果进行融合,有效地解决了病变区域形状不规则和边界模糊问题。在ISIC2018数据集上,Dice和JI分别达到了90.12%和83.61%,比基线网络分别提高了1.13个百分点和1.62个百分点;在PH2数据集上,Dice和JI分别达到了94.72%和90.18%,比基线网络分别提高了1.49个百分点和2.17个百分点。实验结果表明,MSBFNet显著提升了皮肤病变区域分割的精确度,并在多个指标上超过了现有的先进方法,进一步验证了方法的有效性。

DSLK-UNet:多尺度与大核卷积改进的皮肤病变分割

皮肤病变分割是皮肤病诊断的必要步骤。受病变区域形状不规则、颜色不均匀,以及边界模糊等因素的影响,皮肤病变分割面临诸多困难。针对上述问题,本文提出DSLK-UNet(Dilation Stage Large Kernel UNet)的皮肤病变分割方法。为充分利用多尺度信息,设计了空洞阶梯连接模块,并将其嵌入到编码器和解码器,实现上下文信息的有效捕获;综合考虑效率和性能,基于深度和空间可分离卷积提出一种大核卷积融合模块,优化小目标细节信息的提取;最后,基于Laplace算法构建边缘损失函数,提高模型对弱边界的检测能力。为验证本文算法有效性,在ISIC 2018数据集上进行测试,实验结果表明,该方法可以有效分割皮肤病变,分割结果的相似系数(Dice)、平均交并比(MIoU)、准确率(ACC)和F1-Score分别达到了92.86%、89.10%、97.00%和89.28%,分割性能高于现有的皮肤病变分割算法,且相较于其他方法,该方法对于受毛发干扰、边界模糊的皮肤病变具有分割优势。

融合边缘增强与多尺度注意力的皮肤病变分割

皮肤病变形状、颜色、大小类型多样,给皮肤病变的准确分割带来了巨大挑战。针对这一问题,提出了一种融合边缘增强与多尺度注意力的皮肤病变分割网络(BEMA U-Net)。该网络包含一个用于提取全局特征的空间多尺度注意力模块和一个用于增强病变区域边缘特征的边缘增强模块,将两种模块添加到以编码解码结构为主干的网络(U-Net)中,能够有效抑制病变图像中背景噪声的干扰并强化病灶的边缘细节。此外,设计了混合损失函数,结合Dice Loss和Boundary Loss,并在训练过程中实现混合损失函数的动态权重调整,使网络对病变图像整体特征和边缘细节特征的提取进行多重监督,缓解了皮肤病变图像分割中毛发干扰和边缘模糊的问题。在ISIC2017和ISIC2018两个公开数据集上的实验结果表明,所提算法对皮肤病变部位的分割图像边缘连续、轮廓清晰,具有更好的分割效果。

结合通道权重更新与密集残差金字塔空间注意力的皮肤病变分割方法

皮肤病变分割是计算机辅助诊断黑色素瘤的关键步骤。为了精确提取出皮肤病变区域,本研究基于U-Net提出一种新的皮肤病变分割方法。该方法引入通道权重更新模块和密集残差金字塔空间注意力模块,分别从通道和空间上提取有效信息,突出病变特征,抑制无关特征,从而提升网络对病变区域的分割精度;此外,构造了一种加权边界损失函数,通过对病变轮廓进行强监督,减少病变边缘特征的丢失。实验表明在ISIC 2018和PH2皮肤镜图像数据集中,该方法的Dice系数分别达到了91.3%、92.2%,相比U-Net提升了5.0%、4.3%。

融合类激活映射和视野注意力的皮肤病变分割

在皮肤镜图像分割问题中,分割精度受多重因素影响,包括图像对比度、病变大小及异物干扰等,为提高分割精度,解决病变边界分割不准等问题,提出一种改进的DeepLab V3+网络。该改进网络一方面生成原图像的类激活映射,融入到网络的编码器中作先验信息,为网络提供准确的定位信息并消除部分干扰因素;另一方面,在空洞空间金字塔模块中融合视野注意力机制,实现局部跨视野交互;同时将Dice损失和排序损失相结合作为本网络的损失函数,使网络更关注硬像素的误差,优化分割模型。分别在ISIC-2017和PH2数据集上对所提模型评估,其Jaccard指数(JA)分别达到82.6%和89.2%,准确率分别达到95.2%和96.5%,实验结果表明所提模型分割敏感度更高,综合分割性能较其他先进网络有所提升。

DUNet++:基于UNet++改进的皮肤病变分割网络

黑色素瘤极具侵袭性和致命性,早期诊断和干预可提高患者生存率。计算机辅助诊断可以帮助医生对黑色素瘤进行早期诊断,UNet++作为现有分割算法中较为先进的模型,对黑色素瘤的分割与诊断方面有实用价值,但其分割性能仍有较大提升空间。因此文章尝试基于UNet++算法对模型性能进行改进,通过引入空洞卷积,提出一种新的用于黑色素瘤皮肤病变分割的卷积神经网络DUNet++(Dilated UNet++)。在针对ISIC2016挑战皮肤病变数据集的分割任务中,该模型相比于原UNet++模型在分割精度上有进一步的提升,其在IoU、Recall、Precision、Accurcry、DICE系数和F1-score六项评估指标上分别获得了1.78%、2.14%、0.68%、0.50%、1.29%和1.38%的提升。

基于APC-UNet模型的皮肤病变区域分割研究

针对皮损皮肤镜图像分割不准确的问题,本文提出了一种基于Atrous-spatial-pyramid-pooling Parallel Coordinate-attention pattern U-Net(APC-UNet)模型的皮肤病变区域分割算法。算法在U-Net模型的编码器中融入Atrous Spatial Pyramid Pooling(ASPP)模块和ParNet模块以提升模型的特征提取能力,在解码器中嵌入带有注意力机制的Coordinate Attention(CA)模块以增强模型的定位能力,并且引入了Lovász-hinge损失函数来解决皮损皮肤镜图像样本类别不均衡的问题。通过消融实验验证了提出的模型的改进合理性,通过对比实验结果表明,APC-UNet模型整体上优于5种对比模型,并且相较于基准模型U-Net,在Dice系数、IoU、精确率、召回率和准确度上分别提升了6.14%、8.11%、6.79%、2.28%和2.49%,各项性能指标均有较好提升,是一种有效可行的皮肤病变区域分割算法。

基于改进U-net网络的皮肤病图像分割

为提升皮肤病图像分割效果,进一步优化图像处理过程,结合图像提取更高质量的特征,提出一种基于U-net网络、结合循环模块和残差模块及注意力机制的改进U-net网络自动分割方法对皮肤病图像进行分割。该方法有助于构建更深层的网络结构,递归残差卷积层的使用,保证了网络训练过程中更好的特征累积。注意力机制的加入,使网络更专注于提取目标区域,提高了分割性能。实验结果表明,与普通U-net网络、结合残差模块的U-net网络、结合注意力力机制的U-net网络等网络框架相比,所提出的网络分割精度更高,实验分割的正确率达到92.74%,有较好的性能。

充分利用多尺度特征改进UNet实现皮肤病变分割

针对传统的UNet对于大小不一、形状多变的皮肤恶性黑色素瘤图像分割效果不佳的问题,主要通过两点改进实现改进方法对多尺度特征的充分利用,首先在编码器中,采用全局密集网络、局部密集网络以及锯齿状空洞卷积设计,之后在解码器中,采用局部残差设计以及分类正则化。与UNet相比,该改进方法分别在Dice系数、准确率(ACC)、敏感度(SE)、交并比(IOU)指标上提高了0.82%、0.03%、1.99%、1.03%。实验结果证明,改进方法能够提高皮肤恶性黑色素瘤图像分割效果,是一种有效的基础网络结构。

基于U-Net多尺度和多维度特征融合的皮肤病变分割方法

针对皮肤病变区域尺度不同和形状不规则,传统U-Net网络方法缺乏从不同尺度分析目标的鲁棒性,并在提取图像高层语义特征时丢失部分空间上下文信息而影响后续分割精度等问题,提出一种基于U-Net多尺度和多维度特征融合的医学图像分割方法.首先,用空洞卷积融合不同尺度的空间上下文信息;其次,用通道上下文信息融合模块提取特征图各通道间的权重信息;最后,将特征图中的多尺度和多维度信息进行融合,以保留更多的空间上下文信息.实验结果表明,该方法在皮肤病变数据集上对皮肤病变区域进行分割的分割效果较好.

自适应目标的U型皮肤病变图像分割算法

针对皮肤病变图像分割问题,提出一种自动适应目标形状的U型皮肤病变图像分割算法。对原始病变图片依次进行灰度化、归一化和限制对比度自适应直方图均衡化处理,提高前景与背景的对比度;将预处理后的图片输入到U型网络中进行训练,该网络将调制可变形卷积块融合到U-Net的编码器和解码器中,使其自动适应病变目标的比例和形状,让复杂的病变结构能被更好地检测到;通过Softmax分类器得到分割结果。在ISBI2016皮肤病变图像数据集的实验结果显示,分割精度、Dice系数和灵敏度分别为97.87%、94.01%、94.70%。该算法可精确分割皮肤病变区域,总体性能优于现有算法。

SECU-Net:一种结合SE和CRF的皮肤病图像分割网络

皮肤癌是一种广泛的、可能致命的疾病。针对皮肤病病灶与背景对比度低、面积和形状变化大等特点,本文提出一种新的皮肤病病灶分割模型(SECU-Net),该模型结合“挤压和激励”机制(Squeeze and Excitation,SE)并引入条件随机场(Conditional Random Fields,CRF)做分割后处理,是一种将概率图形模型纳入神经网络的深度学习分割框架。SECU-Net通过SE模块建模通道之间的相互依赖性,自适应地重新校准通道特性响应。同时,CRF作为U-Net网络中端到端的可训练层,通过对相邻像素进行建模,使得相同属性的像素最大概率分配到相同的标签,产生与图像视觉特征一致的结构化输出。本文通过在具有挑战的ISIC2017皮肤病数据集上进行测试,实验结果表明,SECU-Net与其它医学图像分割模型相比,有更好的效果。

皮肤癌病变组织分割的多通道并行U型网络

医学图像分割已经成为辅助诊断当中重要的一环.受困于单通道模型特征提取能力的限制,网络所能获取的信息总量有限,导致性能无法进一步提升.针对信息数量不足的问题,提出了一种多通道模型.与单通道模型相比,多通道模型提供了更多互补的特征信息,有助于更好地进行特征提取与数据表达.结果如下:(1)设计了动态卷积发散模块(DSC BM),用于构建多通道模型.(2)设计了动态卷积集束模块(DSC AM),用于融合多尺度特征.(3)使用动态卷积发散模块与动态卷积集束模块构建多通道并行U型网络(MCPU-Net).所提出的方法在国际公开数据集ISIC2017进行训练和评估,MCPU-Net的总体Acc指标为0.933,JI指标为0.772.

结合Transformer与CNN的双向级联皮肤病图像分割网络

皮肤病图像分割是皮肤癌诊断和分析的关键步骤。卷积神经网络(CNNs)在各种医学图像分割任务中取得了巨大的成功。然而,连续的降采样操作带来了网络的冗余性和局部细节的丢失,并且在远程关系的建模中也存在很大的局限性。相反,Transformer在全局上下文建模方面显示出巨大的潜力。在文中,提出了一种结合Transformer与CNN的双向级联皮肤病图像分割网络,以提高网络在全局环境建模的效率,同时保持对底层细节的控制。此外,还构建了一种新的融合技术—双流级联特征聚合模块,以有效地集成来自两个分支的多层次特征。所提网络并行地结合了Transformer和CNN,其中可以有效地捕获全局依赖性和低级空间细节。大量的实验表明,所提网络在皮肤病分割数据集上取得了很好的性能。

一种CNN-Transformer网络在皮肤镜图像分割上的应用

[目的]针对皮肤病变图像存在皮损形状不规则、边界模糊以及毛发伪影等问题,提出了一种将CNN和Transformer相结合的图像分割算法。[方法]首先对皮肤病变图像进行去毛发预处理,减少毛发噪声对结果的影响,然后构建CNN和Transformer结合的分割模型,采用Resnet作为特征提取主干网络,将提取到的特征图序列作为Transformer的输入,在Transformer中加入了新的结构边界注意门以提取足够的局部细节来处理模糊边界,最后采用DenseASPP模块增强特征表示和处理多尺度信息,并且提出一种改进了的损失函数,以便在计算损失函数的同时使得模型能关注边界区域部分。[结果]提出的算法在ISIC2017数据集上的Dice指数值以及Jaccard指数值分别为0.854 534和0.767 901,在ISIC2018数据集上的Dice指数值以及Jaccard指数值分别为0.908 548和0.843 689,与其他算法相比提出的算法对图像的分割效果相对较好。[结论]实验结果证明了所提算法在皮肤病变图像上进行的图像分割是有效的。

基于U型结构上下文编码解码网络的皮肤病变分割研究

针对黑色素瘤与非黑色素瘤在视觉上相似度高、颜色多样、边缘模糊、异物遮挡等情况而导致皮肤病变分割效果差的问题,提出一种基于U型结构的上下文编码解码网络,通过采用高效双通道注意力机制模块和空洞空间金字塔池化模块来捕获更多的语义信息与空间信息,以提高皮肤病变的分割精度。在ISIC 2017皮肤镜图像数据集上进行训练和测试,实验结果表明,本文算法分割结果的相似度系数(DiceCoefficient)高达88.74%,比目前主流语义分割网络模型DeepLab V3Plus高3.15个百分点,比医学领域经典U-Net网络高9.93个百分点,且运行速度快和稳定性好,能对黑色素瘤实施有效分割,分割图像边缘连续、轮廓清晰,在定量分析和识别中使用效果良好。