赖晓婷, 张静
引用本文: 赖晓婷, 张静. 语义扩散对齐的多尺度感知医学图像分割方法[J/OL]. 计算机辅助设计与图形学学报,1-11[2024-07-18]. https://www.jcad.cn/cn/article/doi/10.3724/SP.J.1089.2023-00604
Citation: Lai Xiaoting, Zhang Jing. Semantic Diffusion Alignment-based Multi-scale Perception for Medical Image Segmentation[J/OL]. Journal of Computer-Aided Design & Computer Graphics, 1-11[2024-07-18]. https://www.jcad.cn/cn/article/doi/10.3724/SP.J.1089.2023-00604
医学图像分割是医学图像分析领域中的一项重要任务, 旨在从医学图像中识别和分割出感兴趣区域, 如器官、组织结构和病变区域等. 有效的多尺度特征表示对于准确地分割医学图像中大小不一的病变区域具有重要意义. 针对现有方法未能充分挖掘不同目标的多尺度信息导致难以实现精确分割的问题, 提出一种语义扩散对齐的多尺度感知医学图像分割方法. 首先从局部和全局2个角度探索多尺度上下文信息的感知能力, 构建多尺度编码器和解码器. 其中, 多尺度编码器利用局部多尺度自注意力机制和全局重调整来提取多尺度特征, 以捕获图像中不同目标的信息, 多尺度解码器则通过上采样恢复空间分辨率并保留细节信息, 得到更准确的分割结果; 为了进一步增强特征语义表示, 提出语义扩散对齐模块, 实现了低级特征与高级特征的语义对齐, 获得更具鉴别性的融合特征.
本文方法
图1 语义扩散对齐的多尺度感知医学图像分割方法
实验及结果分析
为了验证本文方法中所提出的LGMSPM, SDAM, DS策略和AF这4个要素对模型性能的影响, 在Synapse数据集上进行消融实验, 以ResNet-50残差块构建的U-Net 模型作为Baseline, 并采用DSC和HD95作为评价指标. 消融实验结果如表1所示.
(1) 在Synapse数据集上进行多器官分割实验, 结果如表2所示.
(3) 在ACDC数据集上评估本文方法, 实验结果如表3所示.
如图7所示为7种方法在ACDC数据集上的分割结果可视化.
图7 7种方法在ACDC数据集上的可视化
通过这些可视化示例可以看出, 本文方法在不同数据集上都展现出优越的分割性能, 并且与其他方法相比, 在特定情况下能够实现更准确的分割结果, 证明了该方法的有效性和适用性.
结 语
赖晓婷(1998—), 女, 硕士研究生, 主要研究方向为医学图像处理、计算机视觉.
张 静(1978—), 女, 博士, 副教授, 硕士生导师, CCF会员, 论文通信作者, 主要研究方向为医学图像处理、视觉问答、图像描述、小样本学习.
— END —
还没关注？点击下方“卡片”关注，获取第一时间资讯
综述推荐 | 监控场景下基于单帧与视频数据的行人属性识别方法综述及展望
开源代码 | 基于EfficientNetV2的PCB缺陷检测算法
本公众号发布的所有原创文章欢迎转发和转载，但必须注明作者和文章出处为《计算机辅助设计与图形学学报》公众号；任何媒体、网站或个人不得对本公众号原创图文进行内容修改或摘编。除本公众号原创的图文之外，本公众号发布的图文旨在学术交流，版权归原作者所有，本公众号将不承担任何法律责任；非原创内容均已对来源作出标注，如有侵权，请留言与本公众号联系，我们将及时处理。《计算机辅助设计与图形学学报》拥有最终解释权。
