基于U-Net变体的医学图像分割算法综述

U-Net简单高效的网络结构,被广泛应用于医学图像分割任务中,学者们针对U-Net结构进行了很多的研究和改进。基于U-Net网络结构的改进方法从以下方面进行归纳总结:总结了U-Net网络在医学图像分割领域的关键挑战;归纳了常用于U-Net网络的医学图像数据集格式及特点;重点总结U-Net和U-Net变体算法六大改进机制:跳跃连接机制、生成对抗网络、残差连接机制、3D-UNet、Transformer机制、密集连接机制。最后,探讨六大改进机制与常用医学数据之间的关系,并指出未来改进思路和方向,激发U-Net在医学图像分割的无限潜力。

改进GAN的光化性角化病图像数据增强方法

针对传统网络应用于医学图像数据增强时出现的特征丢失和多样性不足的问题,提出一种基于能量的改进生成对抗网络模型。首先将简单的原始随机噪声输入高斯混合模型,尽管增加了少部分的计算量,但转换后具有潜在复杂分布的噪声能在一定程度上提升生成样本的类内多样性和类间多样性。然后在判别器部分把简单自编码器替换为U-Net状的变体网络,多层采样的过程可以增强对细节纹理的感知,进而提高生成图像的清晰度和特征还原。最后使用混合体驱动算法,按照加权参数逐步混合多个生成器,在迭代过程中弥补先前混合体的不足,提高生成模块的鲁棒性。在光化性角化病图像数据集上的实验结果表明,该网络训练生成的图像在弗雷歇初始距离上优于现有的WGAN(Wasserstein GAN)模型3.41。另外由于判别器可预训练的特性,收敛速度快于当前的WGAN。同时也在公开数据集MNIST和CelebA上验证改进生成对抗网络的有效性。