基于医学图像分割U-Net的改进算法研究

医学图像分割是临床诊断的重要环节,准确分割对临床治疗具有十分重要的意义。为解决现有图像分割算法鲁棒性差、抗噪声能力弱等问题,提出了一种基于深度学习的CT图像分割算法。该算法改进了U-Net网络结构,增加了批量标准化层以提高网络模型的鲁棒性,并引入了注意力机制关注特定特征,同时利用交叉熵损失函数以减少分割不足和分割泄漏,提高图像分割精度,在数据预处理的基础上对分割网络进行训练,得到准确的分割结果。与其他算法相比,该方法在常用评价标准Dice系数上达到0.94,具有较强的鲁棒性,能准确分割出CT图像中的肺器官,有助于辅助肺部疾病的诊断。

基于全卷积神经网络的肺纤维化合并肺肿瘤CT图像的分割方法

为提高CT图像分割提取图像特征的分割效果,设计基于全卷积神经网络的肺纤维化合并肺肿瘤CT图像的分割方法。肺部CT影像经过膨胀、腐蚀、孔洞填充、开运算、闭运算、掩模运算得到消除器官的肺实质图像,并提取ROI。通过改进全卷积神经网络结构,制定全卷积神经网络对于输入特征图的选取标准,完成CT图像分割算法的研究。选取IOU、Dice系数、精准率与召回率作为图像分割的评价指标。实验结果表明,经过对不同分割方法评价指标的比较,本研究设计的方法具有更理想的分割结果。