基于DenseASPP模型的超声图像分割

发布时间：2022-01-16 20:14

　　利用超声图像获取胎儿的各项生物指标,对诊断胎儿发育过程中的异常有重要作用.当前主要依靠医生对超声图像的手动测量来确定这些指标.然而,医师手动测量不仅具有主观性,而且在重复作业下效率低下.针对以上问题,提出一种基于DenseASPP模型的超声图像分割改进算法,以辅助医生完成对胎儿各项生物指标的测量.在DenseASPP模型中,首先利用普通卷积预先提取原始图像的特征得到预特征图,再以扩张卷积及金字塔池化结构为基础将前层所有扩张卷积的输出特征图与预特征图拼接在一起传输到下一层扩张卷积以获得更大感受野的多尺度特征图,最终将所有特征合并后通过Attention机制获得相关联的特征,再利用sigmoid函数获取分割结果.分别使用胎儿的头臀径,头围,腹围三个部位的超声图像作为数据集对本文提出的DenseASPP方法进行了评估.实验结果表明,DenseASPP方法优于其他当前常见的分割方法,取得了更好的性能. 

【文章来源】：四川大学学报(自然科学版). 2020,57(04)北大核心CSCD

【文章页数】：8 页

【部分图文】：

Attention机制

在本文中, 设计改进DenseASPP模型,其结构如图3所示.设置比原始模型大的扩张卷积率,每层的扩张卷积以拼接的方式连接,并且每层的扩张率逐层增加.扩张率小的卷积层靠近输入,扩张率大的卷积层靠近输出.将前层所有扩张卷积的输出特征图与输入的特征图拼接在一起作为输入送入下一层扩张卷积.最终,DenseASPP输出一个由多扩张率、多尺度的扩张卷积生成的特征图.本文所提出的结构只需使用几个扩张卷积就可以组成一个更密集感受野范围更大的特征金字塔结构.该结构由3部分组成:预特征提取,密集扩张卷积和特征合并.接下来将详细介绍这3部分组成结构.

为进一步验证本文算法的有效性,采用胎儿头围超声图像数据集进行实验.首先利用4.1节中介绍的图像扩充方法对胎儿头围的超声图像进行处理以训练模型.比较了4种模型的分割结果,在部分测试样本上模型分割结果如图5所示.从图5中可以看出,4种方法得到的分割结果从可视化方面都取得了不错的结果.比较图5中箭头所指的分割边缘,本文提供的方法与DenseASPP模型更贴近医师勾画的头围,并且被分割区域不会出现误判的情况.而本文提供的方法分割的线条比DenseASPP模型分割的线条更为平滑.同时,我们也利用上述的,3种指标做了定量比较,如表2所示,在4种方法都获得了较高的评分的情况下,本文提出的方法在性能上均优于其他3种方法,在头围的数据中取得了最优的结果.图5 胎儿头围的超声分割图像

【参考文献】：
期刊论文
[1]自适应步长下多阈值彩色图像的全局分割方法[J]. 鲁秋菊,拓守恒.  吉林大学学报(理学版). 2019(01)
[2]基于U-net模型的全自动鼻咽肿瘤MR图像分割[J]. 潘沛克,王艳,罗勇,周激流.  计算机应用. 2019(04)
[3]基于改进Otsu算法的生菜叶片图像分割方法[J]. 孙俊,宋佳,武小红,李玉婷.  江苏大学学报(自然科学版). 2018(02)
[4]一种带心肌瘢痕的心脏磁共振图像左室壁分割方法[J]. 李晓宁,厉元杰,幸浩洋,陈玉成.  四川大学学报(自然科学版). 2016(05)
[5]基于序贯滤波的水平集图像分割[J]. 王丹,何坤,张旭.  四川大学学报(自然科学版). 2016(03)



本文编号：3593347