基于特征融合的边缘引导乳腺超声图像分割方法

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题，提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net, EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点，将扩张卷积与传统卷积构成选择性核模块作用于编码路径，并提取下采样过程中的选择性核特征进行边缘检测任务，在丰富图像空间信息的同时细化边缘信息，有效缓解斑点噪声和边缘模糊的问题，在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息，多种信息之间相互补充，从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明，与其他分割方法相比，EMSK U-Net算法各项指标表现良好，分割性能有显著提升。