改进多图谱配准的三维医学图像分割算法

为提高海马体分割精度与时间效率,在多图谱分割(Multi-Atlas Segmentation,MAS)脑部图像的配准阶段提出可变形配准网络EDUNet。针对浮动图像与固定图像,进行数据预处理,使其受到外界的影响最小,在配准阶段,用ANTs代替传统“粗”配准,利用卷积神经网络(Convolutional Newral Nerwork,CNN)改进“精”配准,对配准场进行估计,并引入注意力机制及空洞卷积模块。注意力机制用于自动学习和优化注意力特征,加强特征表达能力;空洞卷积扩大感受野,获取多尺度信息;配准中使用端到端网络,减少配准时间、提高配准效率。算法在OASIS数据集与LBPA40数据集进行了验证,配准精度可达0.7863,使用基于局部二元模式的特征提取方法进行标签融合后,最终分割精度较其他方法提升3%~10%,验证了算法的有效性和准确性。

基于双通道级联注意力网络的医学图像配准

为提高卷积神经网络在医学图像上的配准性能,提出一种双通道级联注意力网络用于医学图像配准。针对浮动图像和固定图像,用两个卷积神经网络对配准场进行估计;用配准场级联策略提高配准场变形估计性能;在配准场估计过程中引入注意力机制用于自动学习和优化注意力特征并分配特征权重,进一步加强特征表达能力,提高配准性能。通过对脑部图像和肺部图像的配准实验分析,验证了该方法的有效性和准确性。