一种基于CA-Net的脑肿瘤磁共振图像分割算法

磁共振影像是脑肿瘤疾病中常用的诊断工具,临床上的量化分析需要对影像结果进行分割得到肿瘤区域,但手动分割十分耗时且高度依赖于医生的临床经验。为此,本文提出一种基于深度学习的脑磁共振图像分割算法,解决了原网络无法有效提取关键特征的问题。该算法使用改进的有限对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization, CHALE)算法,对脑肿瘤磁共振影像进行图像增强后,将结果输入CA-Net网络对数据集初步分割,并将全注意力算法和U-net骨架结构结合(包括空间、通道和尺度注意力模块),实现对不同尺度的空间和通道的特征转换连接。模型应用混合损失函数提高分割精度。初步分割的结果可通过后处理进一步提高精度,得到最终的肿瘤区域。初步分割结果中,Dice指标可以达到88.40(±0.24)%,结合图像处理提高至89.21(±0.36)%,分割精度相较于其它算法有明显提高。     

一种基于CA-Net的面部口罩分割方法

佩戴不同材质、型号的口罩对病毒传播的防控效果各不相同，对图像数据集中的口罩进行分割，将有助分析不同类型的口罩在防控效果上的差异。当前，面部口罩检测算法较多，但缺乏进一步的分割，为此文中提出一种基于图像处理和深度学习的面部口罩分割方法。文中所提方法是一种改进的对比度自适应直方图均衡化预处理方法，其通过亮度自适应调整减少因部分图像过暗导致的传统预处理效果不佳的影响。以SSD(Single Shot MultiBox Detector)进行口罩预检测，对结果以CA-Net(Comprehensive Attention Convolutional Neural Networks)进行口罩分割。CA-Net以U-Net为骨干网络，增加了空间注意模块、通道注意模块和尺度注意模块以便同时实现关于特征地图的空间、通道和比例的综合注意力引导，突出空间位置、通道和尺度。使用该方法初步分割结果的Dice系数评价指标可以达到79.18%±3.44%;增加预处理和后处理操作后，Dice系数可提升至84.03%±2.81%,表明文中所提方法能够明显改善视觉分割结果。