融合Xception特征提取和坐标注意力机制的血细胞分割

人体血细胞的检测与分割可以辅助医生快速对人体当前健康情况做出简单判断,对诊断疾病具有重要意义.为了解决传统图像分割算法在血细胞分割任务中出现错误分割目标、无法完全分割目标等问题,提出了一种融合Xception特征提取和坐标注意力机制的血细胞分割算法XCA-Unet++.该算法在Unet++网络结构的基础上,在编码器部分引入Xception特征提取网络以更好地提取低层特征信息.设计了一种以坐标注意力机制为基础的注意力细胞检测模块,增强了网络对血细胞模糊边缘和不完整细胞的特征提取能力.采用DiceLoss作为损失函数以优化数据集正负样本不均衡问题和提高网络的收敛能力.在公开血细胞数据集上的实验对比表明,XCA-Unet++网络在IoU、Acc和F1评估指标下分别取得94.44%、96.78%和97.12%的结果,分割性能优于其他分割网络,满足血细胞分割任务的精度要求.

基于改进全卷积网络的皮肤病变图像分割

针对皮肤病变图像在病变区域的形状、纹理、与周围未发生病变区域对比度相对较低等因素,提出一种基于改进全卷积网络的皮肤病变图像分割算法。采用全卷积网络提取皮肤病变图像的形状纹理等特征,引入Jaccard-Diceloss损失函数解决皮肤病变图像中病变与背景区别过大的问题,进一步提高整体的分割性能。对输入皮肤病变图像进行预处理,使用VGG16模型对改进全卷积网络进行微调训练及测试。通过实验得到各项皮肤病变图像分割结果的评估指标值,其结果表明,改进全卷积网络对于皮肤病变图像的分割效果最优,在其它医学图像分割问题上有极大的应用前景。

融合残差注意力机制的UNet视盘分割

目的青光眼和病理性近视等会对人的视力造成不可逆的损害,早期的眼科疾病诊断能够大大降低发病率。由于眼底图像的复杂性,视盘分割很容易受到血管和病变等区域的影响,导致传统方法不能精确地分割出视盘。针对这一问题,提出了一种基于深度学习的视盘分割方法RA-UNet(residual attention UNet),提高了视盘分割精度,实现了自动、端到端的分割。方法在原始UNet基础上进行了改进。使用融合注意力机制的ResNet34作为下采样层来增强图像特征提取能力,加载预训练权重,有助于解决训练样本少导致的过拟合问题。注意力机制可以引入全局上下文信息,增强有用特征并抑制无用特征响应。修改UNet的上采样层,降低模型参数量,帮助模型训练。对网络输出的分割图进行后处理,消除错误样本。同时,使用DiceLoss损失函数替代普通的交叉熵损失函数来优化网络参数。结果在4个数据集上分别与其他方法进行比较,在RIM-ONE(retinal image database for optic nerve evaluation)-R1数据集中,F分数和重叠率分别为0.9574和0.9182,比UNet分别提高了2.89%和5.17%;在RIM-ONE-R3数据集中,F分数和重叠率分别为0.969和0.9398,比UNet分别提高了1.5%和2.78%;在Drishti-GS1数据集中,F分数和重叠率分别为0.9662和0.9345,比UNet分别提高了1.65%和3.04%;在iChallenge-PM病理性近视挑战赛数据集中,F分数和重叠率分别为0.9424和0.8911,分别比UNet提高了3.59%和6.22%。同时还在RIM-ONE-R1和Drishti-GS1中进行了消融实验,验证了改进算法中各个模块均有助于提升视盘分割效果。结论提出的RA-UNet,提升了视盘分割精度,对有病变区域的图像也有良好的视盘分割性能,同时具有良好的泛化性能。