基于残差网络和注意力机制的医学图像分割算法研究
近年来，医学图像分割技术在当前医学研究领域的地位越来越高，通过医学图像分割技术的辅助，各类医学图像，如组织细胞图像、器官CT图像中的异常部位便能被精确识别并分割，有效帮助医生或医学研究人员对患者的病变部位进行分析，制定最佳的治疗方案。在过去几年，基于深度学习的语义分割算法在医学图像处理领域取得了巨大进展，这其中以Unet最具代表性，其U形拓扑结构很好地解决了一系列医学图像分割任务。然而，由于传统卷积运算的限制，过往的深度学习算法无法实现全局语义信息交互，难以匹配当下医学任务的高精度需求，为了解决这个问题，本文在过往基于深度学习的医学图像分割算法上，结合残差网络与自注意力机制的优势，提出了两种改进的医学图像分割网络模型，用于满足精确度要求更高的医学图像分割任务。 本文的主要方法和创新如下：提出了一种基于残差网络和通道注意力的细胞图像分割网络（RS-Unet），在编码层采用改进的残差网络用于特征提取，相较于Unet的普通卷积网络特征提取层，有效缓解了训练过程中的梯度问题，获得了更多高精度语义特征，同时，在解码器中引入注意模块以减少语义差异。通过在两种医学细胞数据集上的对比实验结果表明，RS-Unet比其他基于深度学习的算法在Dice、IoU以及HD三项评价指标上都得到了更好的表现。其次，本章提出了一种基于自注意力机制的用于视网膜图像分割的神经网络(ST-net)，采用反卷积模块作为网络的上采样层以及下采样层，减轻了网络在训练过程中的计算负担。同时，采用VisionTransformer作为整体网络的多尺度跳跃连接层，减小了训练阶段的语义间隔，获取了不同尺度的特征图之间的远程依赖关系。通过在DRIVE数据集上的对比实验，证明了ST-net在处理视网膜医学图像方面能获取更多的低尺度、复杂的图像特征，且Dice、IoU、HD指标上都得到了更好的表现。最后，本文针对RS-Unet做了模块消融实验，针对ST-net做了模块消融实验以及通道数消融实验，实验结果进一步验证了RS-Unet以及ST-net在各类医学图像分割任务中的可行性与高效性。
医学图像分割算法;深度学习;残差网络;注意力机制
华东交通大学
硕士
计算机技术
李波
2023
中文
TP391.41
2023-11-30（万方平台首次上网日期，不代表论文的发表时间）