重庆理工大学学报(自然科学) ›› 2024, Vol. 38 ›› Issue (11): 138-146.

• 信息·计算机 • 上一篇    下一篇

多尺度非对称卷积的轻量级 U2Net医学影像语义分割模型

孙水发,王清华,邹耀斌,唐庭龙,侯 斌,吴义熔,崔文超   

  1. 1.三峡大学 电气与新能源学院,湖北 宜昌 443002; 2.杭州师范大学 信息科学与技术学院,杭州 310036; 3.三峡大学 计算机与信息学院,湖北 宜昌 443002; 4.北京师范大学 人文和社会科学高等研究院,广东 珠海 519087
  • 发布日期:2024-12-31
  • 作者简介:孙水发,男,博士,教授,主要从事计算机视觉、图像处理、自然语言处理、人工智能、大数据分析、信息安全等研究,Email:watersun@hznu.edu.cn;通信作者 崔文超,男,博士,副教授,主要从事医学图像处理、深度学习应用、非线性优化等研究,Email:wenchaocui@ctgu.edu.cn。

  • Published:2024-12-31

摘要: 基于 U2Net网络结构,设计了一种运行更高效、分割更准确的医学影像语义分割模型。通过多尺度非对称卷积核代替传统的注意力机制以及降低原 U2Net网络的层数,减少模型参数量;通过改变 U2Net网络连接方式,使 用 UNet++网络的跳跃连接方式,使模型在传递特征信息时保持完整性,减少信息损失,使分割边缘更加精确且连续;根据正负样本不均衡和难易不同的问题设计了避免在训练过程中大量简单负样本占据主导地位的二分类交叉熵损失函数(BCELoss),更倾向于挖掘前景区域的骰子损失函数 (DiceLoss)以及更偏向于两图的结构相似性的多层级结构相似性损失函数(MSSSIM Loss)的组合损失函数,用来监督网络优化。实验结果表明:所提算法在 DRIVE、STARE数据集上比现有最先进网络模型(SOTA)的 F1分数分别提高 2.6%、1.4%,在 ISIC2018数据集上比SOTA的 DSC指标提高2.6%。对分割结果进行可视化后表明,网络在样本较小的情况下可以充分提取样本信息,提高语义分割效果。

关键词: 语义分割;医学影像;非对称卷积核;U2Net网络

中图分类号: 

  • TP391.7