摘要：为解决CT图像中胰腺边界不规则导致分割精度不高的问题,提出一种融合双注意机制的多尺度U型网络模型。该模型由一个编码器及两个解码器组成,提高特征利用。针对模型中连续下采样导致特征空间信息损失的问题,提出一种金字塔注意力特征融合模块,引入通道和空间两个独立注意力机制,提供多尺度输入信息并行采样,提高边界提取性能,提升分割精度。实验结果表明,该方法在ISICDM 2018数据集上的平均Dice系数为85.35%,具有效性。

摘要：为解决深度卷积神经网络进行胰腺分割时存在的胰腺形状位置变化大、噪声干扰、部分小目标等问题,提出一种结合可形变收缩残差块(Deformable Shrinkage Residual Block,DSRB)与级联编码模块(Cascading Encoding Module,CEM)的胰腺分割模型DC U-net。该模型利用2个可形变卷积、注意力机制以及残差结构设计了DSRB,通过可形变卷积来解决胰腺形状位置变化大的问题,使用软阈值化来减少噪声干扰;采用CEM来进行特征融合,对编码特征进行复用以降低编解码阶段的特征差异度,加强对小目标特征的学习。在NIH公开数据集上的实验结果表明,本文模型DC U-net的平均Dice相似系数(Dice Similarity Coefficient, DSC)达到87.26%,平均交并比(Intersection Over Union, IOU)达到77.98%,分割精度优于对比模型。

摘要：当前基于深度学习的胰腺分割主要存在以下问题:(1)胰腺的解剖特异性导致深度网络模型容易受到复杂多变背景的干扰;(2)传统两阶段分割方法在粗分割阶段将整张CT图像作为输入,导致依赖粗分割结果得到的定位不够准确;(3)传统两阶段分割方法忽略了切片间的上下文信息,限制了定位和后续分割结果的提升.针对上述问题,本文提出了结合切片上下文信息的多阶段胰腺定位与分割方法.第一阶段利用解剖先验定位粗略缩小输入区域;第二阶段先使用所设计的DASU-Net进行粗略分割,接着利用切片上下文信息优化分割结果;第三阶段使用单张切片定位进一步减少不相关背景,并使用DASU-Net完成精细分割.实验结果表明,本文所提方法能够有效提高胰腺分割的准确率.