摘要
随着现代医疗诊断技术的发展，医学图像分割在临床图像信息挖掘和分析中发挥着重要作用。针对人体内部细胞、组织和器官的图像特征，医学图像分割任务根据区域间的相似或不同，将图像分为病灶和背景等不同类别的区域块。医学图像的病灶特征复杂，背景干扰较大。现存医学图像分割算法在有效聚合丰富的多尺度特征方面存在一定的困难。本文结合医学图像的特点，从图像多尺度特征的提取和融合等方面开展研究，以提升分割精度。具体工作如下: (1)针对现存医学图像分割算法中多尺度特征融合不充分和病灶区域细节丢失的问题，提出基于双分支编码器的多尺度特征融合网络(StepBackDual-branchFusionNetwork,SBDF-Net)的医学图像分割算法。SBDF-Net设计的双分支编码器拥有不同的感受野,具有表征图像复杂信息的能力。通过深度可分离卷积分支放大图像分辨率后，编码器更加关注于图像细节和小尺寸病灶区域。SBDF-Net设计的分组融合模块对双分支的代表性信息进行关注和校准，并按组号拼接分组特征，能够有效融合多尺度特征。SBDF-Net设计多分支采样模块以减少采样操作产生的特征损失。SBDF-Net在2018DataScienceBowl、GLAS、Kvasir-SEG和主动脉夹层数据集上的IoU结果分别达到了86.45％、81.85％、80.92％和91.54％。相较于其他常见的分割网络，SBDF-Net具备更强的辨别分割目标和捕获分割细节的能力。 (2)针对现存医学图像分割算法中多尺度特征融合时易受冗余特征信息干扰的问题,提出基于分层引导的多尺度特征融合网络(HierarchicalInformation-GuidedFusionNetwork,HIGF-Net)的医学图像分割算法，该算法通过视觉Transformer和卷积神经网络分别提取图像全局语义特征和局部空间特征，构建了不同层次的多尺度特征表示。HIGF-Net设计的双流结构通过生成软掩码来描绘病灶形状，并且采用分层引导策略在多尺度特征层之间传递分割目标的信息。HIGF-Net设计的可分离细化模块利用不同尺度特征之间的差异，将特征图划分出公共区域和不确定区域，以增强网络对目标边界的敏感度。HIGF-Net设计的分层金字塔融合模块聚合不同阶段特征的优势。HIGF-Net在Kvasir-SEG、CVC-ClinicDB、ETIS、CVC-300和CVC-ColonDB数据集上的mIoU结果分别达到了87.1％、89.5％、73.3％、84.0％和73.6％。相较于其他分割网络,HIGF-Net在数据拟合和泛化方面都具有良好的性能。
NETL