基于Dilated ADU-Net的开放环境下的舌象分割算法

舌象的精准分割是能否获得正确舌象诊断结果的重要前提。针对在自然光照条件下传统分割算法难以精确、稳定地分割舌体图像的难题，构建一种融合空洞卷积双注意力机制与密集连接机制的改进型U-Net舌象分割模型（Dilated Attention&Dense U-Net, Dilated ADU-Net）。首先，基于U-Net网络的对称结构搭建主干网络；然后，下采样模块采用空洞型混合注意力模块，使网络聚焦于舌体特征，上采样模块采用密集连接机制融合多层特征信息；最后，采用开放环境下的舌象数据集对网络进行训练获得舌象分割模型。通过实验验证，和其他先进的分割方法相比，本文构建的舌象分割模型平均交并比（mean Intersection over Union, mIoU）达到96.73%，相似系数（Dice Similarity Coefficient, DSC）达到98.08%，具有更好的分割性能，可以实现复杂环境下舌象的精准分割。