摘要：利用卷积神经网络(CNN)进行医学图像分割时,通常将分割问题抽象为特征表示和参数优化问题,但在上采样和下采样过程中容易丢失特征信息,导致分割效果不理想。设计包含三级特征表示层和特征聚合模块的深度特征聚合网络结构DFA-Net。通过三级特征表示层提取基础特征同时聚合中间特征和深层特征,从而以聚合深层特征弥补CNN上采样与下采样的特征损失。利用特征聚合模块聚合并激活浅层特征和深层特征,根据两者的互补信息分别做精细化调整。在脑图像和眼底图像公开数据集上的实验结果表明,DFA-Net能够充分利用深层特征与浅层特征的信息互补性处理分割结果中的孤立像素点,避免上采样与下采样引起的信息损失,其分割精度较U-net、Unet++、SegNet和LadderNet等方法均有所提高。

摘要：针对传统卷积神经网络的特征融合部分没有充分考虑各通道特征重要性以及特征利用率低等局限性问题,提出一种基于多层级配准场融合策略的双通道特征融合网络用于脑部图像配准。设计基于编码-解码的卷积网络对浮动图像和固定图像进行配准场估计;设计双通道特征融合模块对同级特征进行特征融合,基于分组卷积、全局平均池化等运算对输入特征进行通道赋权,利用空间变换网络对多级特征进行空间变换。在公开数据集的配准结果表明,提出的双通道特征融合网络能有效提高配准精度。

摘要：为提高卷积神经网络在医学图像上的配准性能,提出一种双通道级联注意力网络用于医学图像配准。针对浮动图像和固定图像,用两个卷积神经网络对配准场进行估计;用配准场级联策略提高配准场变形估计性能;在配准场估计过程中引入注意力机制用于自动学习和优化注意力特征并分配特征权重,进一步加强特征表达能力,提高配准性能。通过对脑部图像和肺部图像的配准实验分析,验证了该方法的有效性和准确性。