基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法

由于超声图像具有噪声强、质量低和边界模糊等特征,获取可靠的注释非常耗时费力,提出基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法。首先,通过不确定性修正金字塔一致性(URPC)的半监督分割方法充分利用未标记数据训练模型减轻费时费力的标注压力。其次,提出一种基于边缘检测的双编码器结构,并利用边缘检测编码器辅助超声斑块图像特征编码器充分获取边缘信息;另外,设计了一个多尺度融合模块(MSFM),通过自适应融合多尺度特征改善提取不规则形状斑块的结果,并结合一个级联通道空间注意力(CCSA)模块更好地关注斑块区域;最后,在超声颈动脉斑块图像数据集上评估所提方法。实验结果表明,所提方法在该数据集上的Dice指标和交并比(IoU)指标比监督方法CA-Net(Comprehensive Attention convolutional neural Network)分别提升了约2.8和6.3个百分点,比半监督方法循环原型一致性学习(CPCL)分别提高了约1.8和1.3个百分点,所提方法可以有效提高超声颈动脉斑块图像的分割准确度。

多尺度密集注意力网络用于视网膜血管分割

针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题,提出一种多尺度密集注意力网络用于视网膜血管分割.首先,以U-Net架构为基础,引入并行空间和通道挤压激励注意力密集块(scSE-DB)代替传统卷积层,加强特征传播能力,实现了对特征信息的双重校准,使模型能更好地识别血管像素;其次,在网络底端嵌入级联空洞卷积模块,以捕获多尺度血管特征信息,提升网络获取深层语义特征的能力;最后,在公共数据集DRIVE、CHASE_DB1和STARE上进行实验,所提网络的准确率分别为96.50%、96.62%和96.75%,灵敏度分别为84.17%、83.34%和80.39%,特异性分别为98.22%、97.95%和98.67%.所提网络的整体分割性能优于现有多数先进算法.