基于改进U-Net网络的神经元分割算法

针对目前电镜神经元图像分割的特征模糊性、复杂程度高以及边缘有损等缺陷,提出了一种将自注意力机制、叠加损失函数与U-Net网络相结合的网络模型,实现了对神经元图像的精确分割。首先,在原始图像的基础上通过几何变换实现数据集增广,有效地抑制了过拟合;其次,采用改进的自注意力机制对图像细节进行重点学习,提高模型分割的准确度;最后,将Dice loss与相对熵(KL散度)进行适当组合,使得网络性能有所提升。该模型在ISBI 2012数据集上的实验结果显示,其正确率、F1指标、准确度和召回率分别达到0.93043、0.95679、0.95326、0.96034,图像分割效果在整体和细节上分割相对更准确,并且细胞膜分割基本没有断裂。