针对舌图像舌体边缘分割模糊、小区域分割错误等问题,本研究设计了一种双编码特征提取路径的方法,以获取丰富的信息特征,辅助舌体精确分割。首先,设计双编码特征提取路径,其中,空间信息路径保留空间信息并生成高分辨率特征图,上下文信...针对舌图像舌体边缘分割模糊、小区域分割错误等问题,本研究设计了一种双编码特征提取路径的方法,以获取丰富的信息特征,辅助舌体精确分割。首先,设计双编码特征提取路径,其中,空间信息路径保留空间信息并生成高分辨率特征图,上下文信息路径提高网络提取多尺度特征能力;其次,采用一种特征融合模块,融合空间信息路径和上下文信息路径的输出特征;最后,采用轻量级解码器模块减少模型参数量,提高模型计算效率。结果显示,该方法精确率、召回率、F1分数和平均交并比(mean intersection over union,MIoU)分别达98.82%、98.53%、98.60%和97.67%,模型总参数量和每秒浮点运算次数(floating point operations per second,FLOPs)为7.54 M和67.09 G。结果表明,该方法可有效提高舌体的分割精度,显著改善舌体小区域分割错误和边缘模糊性,为中医舌象智能辅助分析提供必要支撑。展开更多
乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两...乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两种主要模式,这类方法要求不同MRI序列数据配对出现,难以处理存在缺失的数据,此外,该类方法往往关注整幅图像的生成质量,缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题,该文受配准网络(RegGAN)自适应对准图像空间分布的启发,设计了一种新的基于特征增强的双注意力配准生成对抗网络DA-RegGAN。该网络在生成器中引入卷积注意力模块,使网络更注重病灶的学习;在判别器中添加梯度正则化约束,主要解决网络训练不稳定容易出现模式崩溃的现象,使网络生成包含更清晰的病灶细节全局图。该文在1697幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验,进一步验证了方法的有效性。与原始RegGAN比,全局图像生成质量和局部病灶图像生成质量均得到提升,局部图像质量较原始PSNR提升了0.518,SSIM提升了0.021;全局图像质量较原始PSNR提升了0.584,SSIM提升了0.020。展开更多
文摘针对舌图像舌体边缘分割模糊、小区域分割错误等问题,本研究设计了一种双编码特征提取路径的方法,以获取丰富的信息特征,辅助舌体精确分割。首先,设计双编码特征提取路径,其中,空间信息路径保留空间信息并生成高分辨率特征图,上下文信息路径提高网络提取多尺度特征能力;其次,采用一种特征融合模块,融合空间信息路径和上下文信息路径的输出特征;最后,采用轻量级解码器模块减少模型参数量,提高模型计算效率。结果显示,该方法精确率、召回率、F1分数和平均交并比(mean intersection over union,MIoU)分别达98.82%、98.53%、98.60%和97.67%,模型总参数量和每秒浮点运算次数(floating point operations per second,FLOPs)为7.54 M和67.09 G。结果表明,该方法可有效提高舌体的分割精度,显著改善舌体小区域分割错误和边缘模糊性,为中医舌象智能辅助分析提供必要支撑。
文摘乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两种主要模式,这类方法要求不同MRI序列数据配对出现,难以处理存在缺失的数据,此外,该类方法往往关注整幅图像的生成质量,缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题,该文受配准网络(RegGAN)自适应对准图像空间分布的启发,设计了一种新的基于特征增强的双注意力配准生成对抗网络DA-RegGAN。该网络在生成器中引入卷积注意力模块,使网络更注重病灶的学习;在判别器中添加梯度正则化约束,主要解决网络训练不稳定容易出现模式崩溃的现象,使网络生成包含更清晰的病灶细节全局图。该文在1697幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验,进一步验证了方法的有效性。与原始RegGAN比,全局图像生成质量和局部病灶图像生成质量均得到提升,局部图像质量较原始PSNR提升了0.518,SSIM提升了0.021;全局图像质量较原始PSNR提升了0.584,SSIM提升了0.020。