基于全分辨率注意力U-Net神经网络的区域分割方法.pdf
《基于全分辨率注意力U-Net神经网络的区域分割方法.pdf》由会员分享,可在线阅读,更多相关《基于全分辨率注意力U-Net神经网络的区域分割方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、医学图像中息肉与皮损病变区域的差别较大,导致分割准确性降低。针对该问题,结合深度学习技术提出了一种新的图像病变区域自动分割方法。在网络编码器与解码器的特征图拼接之前增加注意力机制,使网络关注于感兴趣的病变区域,同时抑制非病变区域的响应信号。增加一个新的解码器网络,将同尺度的编码器特征图与解码器特征图拼接融合,产生全分辨率特征图。网络在全分辨率的注意力特征图上分割病变区域。实验结果表明,所提方法对息肉与皮损的分割性能均优于其他对比模型。关键词:卷积神经网络;注意力机制;息肉检测;皮肤损害中图分类号:文献标志码:开放科学(资源服务)标识码():文 章 编 号:()(,):,:;收稿日期:基金项目:
2、江苏高校哲学社会科学研究基金项目():()引言医学影像在现代医学的临床诊断中扮演着重要的角色,医生凭借专业知识和医疗经验对医学影像进行分析,将其作为判断患者健康状况的依据。随着医学影像成像质量的提升,准确提取医学图像中的病变区域变得格外重要。例如,血管壁的厚度可为动脉粥样硬化的诊断提供重要依据,皮损的分布情况可为皮肤病的诊断提供重要依据,息肉的形状和大小可为胃肠道息肉病的诊断提供重要依据。准确地分割病变区域有助于医生提高临床诊断的客观性与准确性,然而,不同病情下病变区域的形状与尺寸差别较大,这为病变区域的准确分割带来了极大的难度。早期提取医学图像病变区域的方法主要包括基于数学模型分析和基于图像
3、分割种类型,其中常见的算法有基于小波域概率图模型法、基于阈值的分割法与基于主动轮廓模型的分割法等。总体而言,这类方法易于实现且计算效率高,但其像素分类依据大多仅考虑了病变区域的部分特征,信号与信息处理 对不同病情所引起病变区域的分割性能存在较大的起伏。随着深度学习技术的发展,多种神经网络模型被成功应用于医学图像处理任务,其中形网络()在医学图像分割任务上展现出明显的优势。等将模型应用于皮肤损害性卟啉病的临床诊断,模型对医学图像皮肤病损分割的平均交并比(,)高达,平均系数高达。潘沛克等成功将模型应用于磁共振()图像的鼻咽肿瘤分割任务,将模型的最大池化操作替换为卷积操作,以避免模型在编码过程中的信
4、息损失;最终,该模型对鼻咽肿瘤的分割性能优于基于图像块的卷积神经网络以及全卷积神经网络。等认为网络在下采样与上采样过程中丢失了医学图像的部分重要特征,导致对图像中形状差异大的目标分割性能较差;因此在网络编解码的过程中引入空间信息与通道信息,使最终的特征图中包含丰富的细节信息,提高了分割的边缘精度。李大湘等通过在网络的编码阶段增加起始()模块,对压缩特征图进行空洞卷积,在解码阶段增加注意力机制;通过上述手段有效提高了网络对视网膜细小血管的分割精度。网络编码阶段能提取目标在图像中的上下文语义信息,在解码阶段通过拼接特征图能产生精细的特征,网络对语义简单的医学图像具有突出的优势。然而,上述研究表明网
5、络在下采样过程中存在一定的特征损失,导致对病变区域不规则边缘及细小血管边缘的识别效果不佳,进而导致网络对不同病情病变区域的分割精度产生影响。针对该问题,研究人员大多通过在编码器与解码器之间增加连接来增加传入解码器的信息量,但此类措施依然会损失一部分有价值的深层信息。为了提高网络对不同病情病变区域的分割性能,提出了一种增强的网络 (),网络对的结构进行了点改进:在将编码器特征图与解码器特征图拼接之前增加注意力机制,使网络关注于感兴趣的病变区域,同时抑制非病变区域的响应信号。增加一个新的解码器网络,将同尺度的编码器特征图与解码器特征图拼接融合,获得全分辨率特征图。本文通过上述点改进措施,使网络在全
6、分辨率注意力特征图上对病变区域进行分割,以提高网络对不同病情病变区域的分割精度。网络 网络结构主干网络结构如图所示。图中,卷积层下方的数字表示该卷积层的卷积核数量,其主干网包含一个编码器子网与一个解码器子网。编码器与解码器均包含个子模块,编码器每个子模块通过卷积运算对输入特征图进行下采样,解码器每个子模块通过转置卷积运算对输入特征图进行上采样。编码器的每个子模块由个卷积层、一个激活层与一个最大池化层构成。卷积核大小为,激活层的激活函数为线性整流函数(,),池化窗口大小为。编码器每次下采样使卷积核数量翻一倍,输入图像经个子模块共输出个尺度的语义特征图。解码器的每个子模块由一个转置卷积层、一个拼接
7、层与个卷积层构成。转置卷积核大小为,通过转置卷积对输入特征图进行上采样,使卷积核数量减半。个卷积层的卷积核大小均为,激活层的激活函数为。解码器输出的特征图传入一个卷积层与激活层,产生输入图像的分割结果,该卷积层的卷积核大小为,激活函数为形()函数。网络的结构具有个特点:网络将编解码器相同尺度的特征图拼接融合,而不同尺度的特征图之间存在较大的语义鸿沟;网络未能充分利用输入图像的浅层特征,而浅层特征主要包含了图像的全局信息,包括目标位置与语义关系等。信号与信息处理 年 无线电工程 第 卷 第 期 图主干网络结构 网络结构虽然网络采用跳跃()连接能有效还原深层特征图的信息,但在网络的解码阶段会损失部
8、分有价值的深层信息,致使对医学小目标或不规则边缘的分割精度受限。本文提出来解决该问题,其网络结构如图所示。网络与网络在结构上主要存在点差异:网络增加一个解码器子网,即图中底部区域。通过操作将各级特征传入特征聚合层进行聚合,新增的解码器将编解码器子网相同尺度的特征图融合,建立全分辨率特征图。网络在主干网多尺度特征图拼接处理之前增加一个注意力机制,即图中的顶部区域。注意力机制使网络关注于感兴趣的病变区域,抑制非病变区域的信号响应。全分辨率特征图中包含输入图像的粗粒度语义特征与细粒度外表特征,避免主干网在编码过程中丢失有用的特征信息。在全分辨率特征图上对病变区域进行分割,不仅能提升对小目标的分割性能
9、,也能提高对目标边缘的分割精度。图网络结构 编码器共包含个模块,假设编码器的每个模块为,其中,。每个包含个卷积层、激活层以及一个最大池化层。最大池化层将特征图的长度与宽度减半,通过对通道数量加倍处理来对该特征图进行降维补偿。将瓶颈层表示为,输出的深层特征图传入解码器。解码器共包含个模块,假设解码器的每个模块为,其中,。每个对输入特征图进行转置卷积,再与同尺度输出的特征图拼接,所产生的特征图传入个连续的层与激活层。信号与信息处理 网络通过增加连接将编码器的特征图传入新的解码器子网,新解码器子网将各级编码器与输出的特征图拼接。然后,利用转置卷积使各尺度拼接特征图与输入图像的分辨率相等。最终,对注意
10、力特征图与全分辨率特征图进行加权融合,获得注意力全分辨率特征图。假设编码器第个模块下采样输出的特征图为,池化层输出的特征图为,解码器第个模块输出的特征图为。可将网络产生的特征图集合表示为:(,),(,),()式中:“”为转置卷积运算符,转置卷积的步长为,“”表示特征图拼接操作。网络新增解码器子网输出的特征图包含编码器与解码器提取的各层特征信息;然后将注意力特征图与个全分辨率特征图融合成注意力全分辨率特征图;最终,传入一个卷积层与一个计算最大值()层,卷积层的通道数量为,层基于全分辨率特征图来分割目标。网络采用二值交叉熵作为网络的代价函数,可表示为:()()(),()式中:为特征图的像素数量,为
11、第个像素的正定值,为第个像素被网络函数计算的激活值。网络的注意力机制网络通过在下采样与上采样之间建立连接来获得输入图像的空间信息,该机制能有效提取多尺度特征信息,但也引入了大量冗余的下采样特征。本文在编解码器的连接上增加注意力机制,使网络在特征图拼接之前关注感兴趣区域的激活信号,抑制非感兴趣区域的激活信号。注意力机制的网络结构如图所示。图中网络的下方路径负责分析特征图中各特征的相对重要性,再将输入特征图与重要性图相乘,输出加权调和图,该图能增强显著信号,抑制冗余信号。图注意力模块的网络结构 由图可知,注意力模块的个输入信号为与。为编码器第层连接传入的信号,包含丰富的空间特征。的数学形式可表示为
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 分辨率 注意力 Net 神经网络 区域 分割 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。