傅里叶变换通道注意力网络的胆管癌高光谱图像分割

目的 胆管癌高光谱图像的光谱波段丰富但存在冗余，造成基于深度神经网络高光谱图像分割方法的分割精度下降，虽然一些基于通道注意力机制的网络能够关注重要通道，但在处理通道特征时存在信息表示不足问题，因此本文研究构建一种新的通道注意力机制深度网络，以提高分割准确性。方法 提出了傅里叶变换多频率通道注意力机制（frequency selecting channel attention，FSCA）。FSCA对输入特征进行2维傅里叶变换，提取部分频率特征，再通过两层全连接层得到通道权重向量，将通道权重与对应通道特征相乘，获得了融合通道注意力信息的输出。针对患癌区域和无癌区域数据不平衡问题引入了Focal损失，结合Inception模块，构建基于Inception-FSCA的胆管癌高光谱图像分割网络。结果 在采集的胆管癌高光谱数据集上进行实验，Inception-FSCA网络的准确率（accuracy）、精度（precision）、敏感性（sensitivity）、特异性（specificity）、Kappa系数分别为0.978 0、0.965 4、0.958 6、0.985 2、0.945 6，优于另外5种对比方法。与合成的假彩色图像的分割结果相比，高光谱图像上的实验指标分别提高了0.058 4、0.105 8、0.087 5、0.039 0、0.149 3。结论 本文所提出的傅里叶变换多频率通道注意力机制能够更有效地利用通道信息，基于Inception-FSCA的胆管癌高光谱图像分割网络能够提升分割效果，在胆管癌医学辅助诊断方面具有研究和应用价值。  

LFSCA-UNet：基于空间与通道注意力机制的肝纤维化区域分割网络

目的 肝纤维化是众多慢性肝脏疾病的常见表现，如不及时治疗可发展为肝硬化甚至引发肝癌。肝纤维化的准确评估对临床治疗和预后评估等至关重要。目前，肝纤维化的诊断通过肝穿活检判断，有创且有并发症危险。为此，基于影像学的无创诊断方法越来越受到关注。本文提出一种基于通道注意力与空间注意力机制改进的用于肝纤维化区域的自动化分割U-Net （liver fibrosis region segmentation network based on spatial and channel attention mechanisms，LFSCA-UNet）。方法 依据Attention U-Net的改进方式，围绕U-Net的跳跃连接结构进行基于注意力的改进，在AG （attention gate）的基础上，加入以ECA （efficient channel attention）模块为实现方式的通道注意力机制，依据加入ECA的位置，LFSCA-UNet分为A、B、C共3个子型。结果 在肝数据集上与其他实验网络进行评估对比，本文提出的LFSCA-UNet网络结构平均Dice系数达到了93.33%，相比原始U-Net的Dice系数提高了0.539 6%。结论 本文方法将空间注意力机制与通道注意力机制进行结合，有效提高了肝纤维化区域的分割精度，对空间注意力模块使用通道注意力模块优化输入和输出，增加了网络的稳定性，提升了网络的整体效果。  

多支路协同的RGB-T图像显著性目标检测

目的 显著性目标检测是机器视觉应用的基础，然而目前很多方法在显著性物体与背景相似、低光照等一些复杂场景得到的效果并不理想。为了提升显著性检测的性能，提出一种多支路协同的RGB-T（thermal）图像显著性目标检测方法。方法 将模型主体设计为两条主干网络和三条解码支路。主干网络用于提取RGB图像和Thermal图像的特征表示，解码支路则分别对RGB特征、Thermal特征以及两者的融合特征以协同互补的方式预测图像中的显著性物体。在特征提取的主干网络中，通过特征增强模块实现多模图像的融合互补，同时采用适当修正的金字塔池化模块，从深层次特征中获取全局语义信息。在解码过程中，利用通道注意力机制进一步区分卷积神经网络（convolutional neural networks，CNN）生成的特征在不同通道之间对应的语义信息差异。结果 在VT821和VT1000两个数据集上进行测试，本文方法的最大F-measure值分别为0.843 7和0.880 5，平均绝对误差（mean absolute error，MAE）值分别为0.039 4和0.032 2，相较于对比方法，提升了整体检测性能。结论 通过对比实验表明，本文提出的方法提高了显著性检测的稳定性，在一些低光照场景取得了更好效果。