随着医学工程技术的不断发展,医学图像分割在病理诊断、手术指导和术后恢复等阶段中承担着重要的责任。目前,基于深度学习的u-net模型在医学图像自动化分割领域有着广泛的应用。本文通过结合u-net模型和其他图像处理方法实现对医学图像的自动化分割,主要的研究内容如下:(1)针对传统二维卷积无法有效提取空间信息的问题,提出一种基于注意力机制的u-net模型(Att-Dial Res net3D)。Att-Dial Res net3D模型在u-net框架基础上进行改进,使用锯齿状的膨胀残差卷积块提取三维图像中片间和片内特征,减少空间信息的丢失,通过注意力的方法融合上下文信息。提出的模型在Li TS2017肝脏肿瘤分割数据集上验证,实验结果表明Att-Dial Res net3D模型对肝脏和肿瘤图片的分割结果的平均dice分别达到0.958和0.666,全局dice分别达到0.962和0.800。(2)针对原始u-net模型中过多的卷积层和池化层会造成梯度弥散和网络退化等问题,提出一种基于金字塔残差的u-net模型。该模型利用金字塔残差得到不同尺度的图像特征,并将这些特征与卷积层提取的特征进行融合,在未增加网络参数的基础上得到更丰富的特征信息。提出的模型在ISIC 2018皮肤癌分割数据集上验证,实验结果表明基于金字塔残差的u-net分割模型具有更高的精度和更好的鲁棒性。(3)针对u-net模型中堆叠的局部操作无法高效获取全局信息的问题,提出一种基于多注意力的u-net模型。该模型通过自注意力的方式建立全部特征之间的依赖关系,然后利用通道注意力与空间注意力减少池化过程中的信息损失。分割模型在MICCAI 2020新冠肺炎(COVID-19)分割数据集和SCuI 2020甲状腺结节分割数据集上验证,实验结果证明基于多注意力的u-net模型实现了全局信息聚合和高效快速的分割。
暂无评论