关键词：
深度学习
医学影像肿瘤分割
级联并行特征金字塔
加权混合池化
全局通道自注意力机制
摘要：
在当前医学领域,准确诊断肿瘤对提高患者的生存率至关重要。医学肿瘤分割技术作为从复杂医学影像中准确提取肿瘤区域的关键技术,在实现这一目标上发挥着关键作用。随着计算机断层扫描(CT)、磁共振成像(MRI)等医学影像技术的不断进步,为肿瘤的检测和分期提供了强大的支持。然而,由于肿瘤的形态多样性以及与周围正常组织相似性,使得肿瘤分割面临着挑战。
深度学习算法在肿瘤分割领域取得了显著进展。深度学习算法通过学习大量医学影像数据来自动提取肿瘤特征,实现更准确的分割结果。然而,深度学习算法虽然在一定程度上提高了分割效率,但是在处理复杂肿瘤特征时往往难以达到理想的精度,且泛化能力有限。因此,开发高效、准确且具有良好泛化能力的医学肿瘤分割方法,成为医学影像处理领域的重要研究方向。为解决上述存在的不足,本文进行了以下研究:
(1)针对肿瘤分割图像中存在的模糊边缘和细节不清晰等问题,本文采用了一系列预处理方法,这些方法包括图像翻转、伽马变换、添加高斯噪声和数据归一化等手段。通过图像翻转增加样本多样性,伽马变换提高了图像中肿瘤区域的对比度,添加高斯噪声模拟真实成像过程中由于环境干扰造成的图像不清晰,而数据归一化确保了图像的一致性。这些预处理方法为后续肿瘤的准确分割提供了有力的支持。
(2)本文提出了一种基于多尺度特征深度融合的医学影像肿瘤分割算法(Multi-scale Feature Deep Fusion Network,MDFNet)。首先,该算法在编码器部分采用交替堆叠普通卷积层和部分卷积层拼接相结合的深度特征提取网络,削减冗余计算和内存访问,更有效地提取空间特征,获得更多的肿瘤特征信息。其次,引入双重自注意力机制,有助于让模型捕获全局和局部特征的关系以提高肿瘤分割准确性。再次,采用级联并行特征金字塔结构,使网络能够更快速而准确地捕捉不同尺度下的肿瘤特征,从而增强肿瘤分割精确性。最后,在解码器部分采用了多个浅层特征和深层特征的多尺度特征融合策略,有效地恢复了图像的边缘信息和细节特征,提升了对小肿瘤的分割准确度。
(3)提出了一种基于自适应混合注意力的医学肿瘤影像分割算法(Self-Adaptive Mixed Attention,SMANet)。该算法在保持较高的运行效率的同时,提高了肿瘤分割的精准度。在编码器部分,采用残差幻影特征提取网络作为编码器部分的骨干网络,通过在同一个阶段内进行跨层廉价线性变换,有效地降低了网络的参数数量和计算复杂度。接着引入加权混合池化增强模型对输入变化的鲁棒性。传统的最大池化或平均池化选择固定区域内的特征,而加权混合池化在池化过程中按不同比例权重选择特征区域,减少对特定位置的依赖性。在跳跃连接处引入全局通道自注意力机制可以使模型捕捉全局上下文的肿瘤特征,并抑制不重要的背景特征,有助于提高模型的鲁棒性和泛化能力。
本文提出的两种分割算法在直肠肿瘤数据集,颅脑肿瘤数据集和皮肤黑色素瘤数据集上进行训练和测试,并与近年来其他分割算法进行了比较。实验结果表明,提出的MDFNet和SMANet能够保持较高的运行效率的同时提高了肿瘤分割的精准度。
欢迎来到三峡大学图书馆！
