MAUNet:用于皮肤病变分割的轻量级模型

针对当前深度学习分割算法参数数量多和计算复杂度高的问题,提出了一种融合多种注意力机制的轻量级模型MAUNet用于皮肤病变分割。该模型在UNet网络基础上融合深度可分离卷积和门控注意力机制模块,用于提取全局和局部特征信息;融入外部注意力机制模块来增强样本间的联系;利用空间和通道注意力模块分别提取通道和空间特征。以ISIC2017皮肤病公开数据集作为数据源,改进的UNet模型实现特征提取与分类。与基线模型UNet相比,平均交并比和Dice相似性系数分别提高了2.18%和1.28%,同时参数量和计算复杂度仅为基线模型的2.1%和0.58%。实验结果表明该模型在参数数量平衡性、计算复杂度和分割检测性能上均达到了较好的水平。     

基于多尺度特征融合与反向注意力的COVID-19病灶分割

针对新型冠状病毒肺炎（COVID-19）分割问题中感染区域具有高变异性以及病灶与背景对比度低等问题,提出一种基于多尺度特征融合与反向注意力的COVID-19感染分割网络。首先,利用残差网络作为主干网络进行特征提取,并使用全局上下文聚合策略对不同层次特征进行融合得到粗略的分割结果;其次,在网络瓶颈处添加多尺度特征融合模块,利用空洞卷积与多核池化增强网络分割不同尺度病变的能力;最后,设计一种级联结构的反向注意力模块,利用互补区域的细节特征增强背景与目标的对比度。本文方法在COVID-19 CT分割测试集上的准确率、特异性、灵敏度分别达到0.714、0.700和0.958,误检和漏检区域明显减少,细小病灶的分割能力显著提升。     

结合通道权重更新与密集残差金字塔空间注意力的皮肤病变分割方法

皮肤病变分割是计算机辅助诊断黑色素瘤的关键步骤。为了精确提取出皮肤病变区域,本研究基于U-Net提出一种新的皮肤病变分割方法。该方法引入通道权重更新模块和密集残差金字塔空间注意力模块,分别从通道和空间上提取有效信息,突出病变特征,抑制无关特征,从而提升网络对病变区域的分割精度;此外,构造了一种加权边界损失函数,通过对病变轮廓进行强监督,减少病变边缘特征的丢失。实验表明在ISIC 2018和PH2皮肤镜图像数据集中,该方法的Dice系数分别达到了91.3%、92.2%,相比U-Net提升了5.0%、4.3%。     

融合自注意力的乳腺钼靶图像特征引导分割算法

为提高对乳腺癌钼靶图像中病灶区域的识别精度,本研究设计了一种面向乳腺肿块和钙化区域分割的特征引导注意网络。首先,该网络通过特征提取模块学习乳腺组织的语义特征;其次,利用融合自校正注意力的解码模块,增强对病灶区域边缘信息的关注度,提高边界的清晰度;最后,采用特征引导注意模块增强通道的依赖关系,进一步还原病灶区域边缘细节,提高分割精度。实验结果表明,本研究网络在扩充后的INBreast1数据库中肿块和钙化分割的平均骰子系数(mDice)分别达到了0.971和0.888,在DDSM数据库肿块分割的mDice达到了0.911,优于其他常规的分割模型,对乳腺癌的早期诊断和治疗具有重要意义。     

基于自注意力的双通路全脊柱 X 光图像分割模型

全脊柱X光图像（包含脊柱、骶骨及髂骨）分割是目前脊椎疾病智能诊断中首要关键的环节。针对U-Net语义分割算法在全脊柱X光图像多区域分割精度较差的问题,提出一种双通道语义分割算法DAU-Net,通过空间通道与语义通道分别学习空间信息特征与图像语义特征,并在解码器端对两类特征进行融合,获取脊柱X光图像中更精准的分割边界。在空间通道中,使用空洞卷积及残差模块扩大视野域并保留更多远端特征信息。此外,将自注意力机制引入语义通道,并设计不同的自注意力编码与自注意力解码模块构建全局关联信息,实现对多个目标骨骼区域语义分割。实验结果表明,DAU-Net能够有效提高脊柱X光图像上的分割精度,相比U-Net、ResU-Net、Attention U-Net、U-Net++,Dice系数分别提高4.00%、1.90%、4.60%、1.19%。     

基于卷积和注意力机制的医学细胞核图像分割网络EI北大核心CSCD

深度学习在细胞核分割中具有重要作用,但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题,本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络(UNet)作为基本结构,以深度可分离残差卷积(DSRC)模块作为特征编码,避免丢失细胞核边界信息;特征解码引入坐标注意力(CA)加强特征空间上远程距离,突出细胞核位置的关键信息;最后,设计语义信息融合(SIF)模块整合深浅层特征,改善分割效果。在2018数据科学碗(DSB2018)和三阴乳腺癌(TNBC)数据集上分别进行实验,所提方法的精确率在两个数据集上分别为92.01%、89.21%,灵敏度为90.09%、91.10%,平均交并比为89.01%、89.12%。实验结果表明,本文所提方法能有效分割细胞核细微区域,提升分割准确度,为临床诊断提供可靠依据。     

融合Transformer和跨级相位感知的结肠息肉分割方法EI北大核心

针对结肠息肉图像分割时空间归纳偏差和全局上下文信息的有效表示缺失,导致边缘细节信息丢失和病变区域误分割等问题,提出一种融合Transformer和跨级相位感知的结肠息肉分割方法。该方法一是从变换的全局特征角度出发,运用分层Transformer编码器逐层提取病变区域的语义信息和空间细节;二是通过相位感知融合模块(PAFM)捕获各阶段跨层次交互信息,有效聚合多尺度上下文信息;三是设计位置导向功能模块(POF)有效整合全局与局部特征信息,填补语义空白,抑制背景噪声;四是利用残差轴反向注意力模块(RA-IA)来提升网络对边缘像素点的识别能力。在公共数据集CVC-ClinicDB、Kvasir、CVC-ColonDB和EITS上进行实验测试,其Dice相似性系数分别为94.04%、92.04%、80.78%和76.80%,平均交并比分别为89.31%、86.81%、73.55%和69.10%。仿真实验结果表明,本文提出的方法能有效地分割结肠息肉图像,为结直肠息肉的诊断提供了新窗口。     

结合上下文和注意力机制改进的视盘分割模型

青光眼为多发性眼底疾病,是致盲的主要原因之一。眼底图像来源广,质量参差不齐,且视盘区域具有多尺度性特征,融合上下文信息有利于准确分割多尺度视盘边界。以U-Net为基础,结合上下文信息和卷积注意力模块（CBAM）,提出了一种改进的视盘分割模型,包括：（1）使用实例-批处理归一化（IBN）模块与注意力机制改进主干网络ResNet34,提升分割模型的泛化性和图像通道特征的提取能力;（2）提出一种多层次上下文信息提取（MCE）模块处理主干网络输出的特征,融合上下文信息增强分割模型对视盘边缘特征的提取能力;（3）使用Transformer机制替换U-Net中的跳跃连接和上采样,进一步提高视盘多尺度特征和图像通道特征的提取能力。将改进的分割模型与U-Net、U-Net++、DeeplabV3+、FCN和PSPNet分割模型进行视盘分割精度比较,结果表明提出的分割模型具有更好的分割效果,Dice、MIoU、MPA和FPS指标分别为98.18%、96.45%、98.11%和17.56 Img/s。该研究成果可为青光眼的早期诊断提供技术支撑。     

面向儿科超声心动图双侧心室分割的注意力引导网络

由于儿童心脏大小随年龄变化显著，且儿童心率较快，超声心动图心脏边界相较成人更模糊，因此儿科超声心动图的准确分割是一项具有挑战性的任务。针对上述问题，本文提出了一种结合通道注意力和尺度注意力的双解码器网络模型。首先，利用结合深监督策略的注意力引导解码器，获取心室区域的注意力图；然后，将产生的心室注意力通过跳跃连接返回到网络的多个层，调整编码器生成的特征权重，突出左右心室区域；最后，通过尺度注意力模块和通道注意力模块强化左右心室边缘特征。实验结果表明，本文所提方法在所采集的双侧心室分割数据集中，平均戴斯系数（DSC）达到90.63%，优于医学图像分割领域一些常规和最新方法，尤其在心室边缘处分割更清晰。本文的研究可为儿科超声心动图双侧心室分割以及后续先天性心脏病辅助诊断提供新的解决方案。     

U-Net改进及其在新冠肺炎图像分割的应用

CT成像已成为检测新型冠状病毒肺炎（COVID-19）最重要的步骤之一。针对手动分割患者胸部CT图像中毛玻璃混浊区域繁琐的问题提出了一种自注意力循环残差U型网络模型来实现COVID-19患者肺部CT图像的自动分割,辅助医生诊断。在U-Net模型的基础上引入了循环残差模块和自注意力机制来加强对特征信息的抓取从而提升分割精度。在公开数据集上的分割实验结果显示,该算法的Dice系数、敏感度和特异度分别达到了85.36%、76.64%和76.25%,与其他算法相比具有良好的分割效果。     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

基于多尺度编码-解码网络的皮肤病变图像分割

针对皮肤病变图像分割在医疗诊断中的作用,提出一种基于多尺度编码-解码网络的皮肤病变图像分割算法。该算法继承了SegNet网络结构的训练速度快、训练模型存储小等特点,采用多尺度输入的方式增强了网络对皮肤病变图像的充分学习。此外,在编码网络中的pool2层输出一个二进制双线性插值的中间预测特征图到解码层的最后一层卷积块进行级联输入提高最终的分割精度。实验结果表明,采用多尺度编码-解码网络对皮肤病变图像分割具有极好的效果,在其他医学图像分割方面也能进行广泛应用。     

基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究

针对乳腺DCE-MRI病灶分割,提出一种空间FCM聚类与MRF随机场相结合的三维分割方法。首先,对MRI图像进行空间FCM粗分割,提取病灶粗轮廓。然后,在其基础上进行MRF精分割,并结合病灶三维信息：用相邻切片分割结果对应标号矩阵初始化MRF精分割标号场,同时用该张切片粗分割所得隶属度矩阵对MRF精分割进行参数自适应调整。用该方法与空间FCM、水平集、模糊MRF方法对50例MRI数据进行分割对比实验,得到良、恶性病灶分割重叠率分别为76.4、75.5;相比于空间FCM的68.%、69.5水平集的70.8、72.6以及模糊MRF的72.9、73.6有明显提升。对所有175例MRI数据分割结果进行非监督评价,得到良、恶性病灶区域均匀性均大于0.92;区域内差异性良性病灶92%小于150、恶性病灶98%小于150;区域间差异性良性病灶87%大于0.25、恶性病灶90%大于0.3综上表明,该方法具有较高的分割精度。     

融合感受野模块的卷积神经网络视杯视盘联合分割

青光眼是世界第一大不可逆致盲性眼病,早期诊断和及时治疗是预防青光眼致盲的有效措施。眼底图像中的杯盘比是青光眼早期筛查与临床诊断的重要指标。因此,精确的视杯视盘分割是准确计算杯盘比并提高青光眼计算机辅助诊断技术的关键。针对这一问题,在对眼底图像进行极坐标变换的基础上,提出一种融合感受野模块的卷积神经网络Seg-RFNet,以实现视杯视盘联合分割。Seg-RFNet以SegNet框架为基础,使用ResNet50作为编码层,增强图像的特征提取能力,并对编码层进行分支处理,进一步获得更多的深层语义信息;同时在编码层和解码层之间加入感受野模块,模拟人类视觉系统,在增大感受野的同时增强了有用特征的响应。使用MICCAI 2018公开数据集REFUGE中的800张眼底图像对所提出方法与其他方法进行性能验证和比较。结果表明,Seg-RFNet分割视杯和视盘的Jaccard相似度分别0.951 5和0.872 0,F分数达到了0.974 9和0.930 1,与常用的U-Net、SegNet 网络相比,Seg-RFNet具有更好的视杯视盘联合分割精度,为计算杯盘比提供了精确分割基础。     

基于三重注意力的脑肿瘤图像分割网络

脑肿瘤图像分割问题是脑肿瘤临床诊断和治疗脑肿瘤疾病计算机辅助诊断的基础.针对脑肿瘤MRI图像分割网络深度过深和局部与全局特征信息联系匮乏导致图像分割精度降低等问题,提出一种基于三重注意力的脑肿瘤图像分割网络.首先,借鉴残差结构,将原始图像分割网络结构的编码层和解码层中的卷积模块替换为深度残差模块,解决网络加深带来的梯度...     

基于BiSeNet的小儿超声心动图左心分割方法

小儿超声心动图分割是后续生物学参数测量与疾病诊断的关键一步。目前,这主要依赖于超声医生的手动分割,不仅耗时耗力,而且由于它的重复性与冗余性,常常会导致不准确的分割。深度学习方法在自然图像处理领域已经取得令人瞩目的成果,因此提出应用深度卷积神经网络,从小儿超声心动图中学习有效特征,进行左心关键解剖结构的分割。具体来说,提出使用双路径分割网络(BiSeNet),通过两路分支网络,分别提取低层和高层的特征,然后送入一个特征融合模块,筛选出有效的特征,从而得到准确的分割结果。在采集自深圳儿童医院超声科的包含87个超声心动图视频(2 216张图像)的数据集上进行验证,并与医生的标注结果进行比较。实验结果表明,BiSeNet可以提取到超声心动图中心脏结构的特征,它在左室和左房的分割任务上取得Dice系数高达0.914和0.887。这证明,所提出的方法可以帮助医生进行超声心动图分割,从而减轻医生的负担。     

基于特征融合的U-Net肺自动分割方法

目的:将肺部颜色特征与纹理特征融合形成一种更有效的特征,并利用改进的U-Net深度学习网络结构对肺部CT影像进行图像分割以准确提取肺实质区域。方法:使用的CT影像数据来源于LIDC-IDRI数据库,首先通过色彩空间转换、高阶邻域统计的方法分别提取颜色特征和纹理特征,然后采用加权平均直方图融合两类特征,最后将特征输入改进后的U-Net模型,进行1 000次CT扫描测试,以达到完整的肺实质输出。结果:该方法最终的骰子系数、灵敏度、特异性分别为93%、96%和97%。结论:本方法较单一特征分割方法具有较高的分割精度,有效提高肺实质的分割精度,可为后续的肺部疾病自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断时间。