论文部分内容阅读
医学图像中感兴趣区域的分割是对病变进行定量分析和计算机辅助诊断的关键环节。由于医学图像具有对比度低、信噪比低、带有标注的数据集少等特点,使得医学图像的自动分割成为计算机视觉领域极具挑战性的课题。近几年来深度学习在各个领域取得的突破性进展,为全面解决该问题带来了新的契机。基于这样的背景,本文以甲状腺超声图像为研究对象,以深度学习算法为研究手段,争取在医学图像自动分割问题上取得一定的突破。在深入剖析以U-Net为代表的U型结构模型基础上,本文提出了Re Ag UNet模型,该模型在U-Net编码-解码层次之间的连接通道中嵌入改进的残差单元,以缩小浅层特征与深层特征之间的语义差异;引入批标准化操作,使激活输入值落在非线性函数对输入比较敏感的区域,来增大反向传播的梯度,加快模型训练的收敛速度;引入注意力门机制,将在浅层获得的权重特征图与深层抽象特征相乘,在横向加深网络的同时,对目标位置进行校正;为了发挥已有损失函数各自优势,引入超参数,将Focal-Tversky损失、Dice损失和交叉熵损失进行组合,共同指导模型训练。在深入分析生成对抗网络基础上,本文提出U-Seg AN模型,该模型将提出的Re Ag U-Net模型作为Seg AN的生成器,大大减少了模型需要训练的参数数量,同时提高了分割精度。在综合考虑L1和L2损失的基础上,提出将多尺度LMSE损失函数作为Seg AN的损失函数,加快了模型收敛速度的同时,空间占用、泛化能力和分割精度进一步得到了改善。通过同一数据集下不同模型间的性能对比、不同数据集下同一模型的泛化能力对比、各个模型的空间占用率等实验,从多个角度验证了模型的合理性与有效性。实验结果表明,本文提出的算法具有良好的分割精度和泛化能力。在此基础上,本文实现了分割原型系统,对系统进行了需求分析和设计,实现了输入/输出、结果展示和性能评价模块。