發(fā)布時間：2022-01-16 20:14

　　利用超聲圖像獲取胎兒的各項生物指標,對診斷胎兒發(fā)育過程中的異常有重要作用.當前主要依靠醫(yī)生對超聲圖像的手動測量來確定這些指標.然而,醫(yī)師手動測量不僅具有主觀性,而且在重復作業(yè)下效率低下.針對以上問題,提出一種基于DenseASPP模型的超聲圖像分割改進算法,以輔助醫(yī)生完成對胎兒各項生物指標的測量.在DenseASPP模型中,首先利用普通卷積預先提取原始圖像的特征得到預特征圖,再以擴張卷積及金字塔池化結(jié)構為基礎將前層所有擴張卷積的輸出特征圖與預特征圖拼接在一起傳輸?shù)较乱粚訑U張卷積以獲得更大感受野的多尺度特征圖,最終將所有特征合并后通過Attention機制獲得相關聯(lián)的特征,再利用sigmoid函數(shù)獲取分割結(jié)果.分別使用胎兒的頭臀徑,頭圍,腹圍三個部位的超聲圖像作為數(shù)據(jù)集對本文提出的DenseASPP方法進行了評估.實驗結(jié)果表明,DenseASPP方法優(yōu)于其他當前常見的分割方法,取得了更好的性能. 

【文章來源】：四川大學學報(自然科學版). 2020,57(04)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

Attention機制

在本文中, 設計改進DenseASPP模型,其結(jié)構如圖3所示.設置比原始模型大的擴張卷積率,每層的擴張卷積以拼接的方式連接,并且每層的擴張率逐層增加.擴張率小的卷積層靠近輸入,擴張率大的卷積層靠近輸出.將前層所有擴張卷積的輸出特征圖與輸入的特征圖拼接在一起作為輸入送入下一層擴張卷積.最終,DenseASPP輸出一個由多擴張率、多尺度的擴張卷積生成的特征圖.本文所提出的結(jié)構只需使用幾個擴張卷積就可以組成一個更密集感受野范圍更大的特征金字塔結(jié)構.該結(jié)構由3部分組成:預特征提取,密集擴張卷積和特征合并.接下來將詳細介紹這3部分組成結(jié)構.

為進一步驗證本文算法的有效性,采用胎兒頭圍超聲圖像數(shù)據(jù)集進行實驗.首先利用4.1節(jié)中介紹的圖像擴充方法對胎兒頭圍的超聲圖像進行處理以訓練模型.比較了4種模型的分割結(jié)果,在部分測試樣本上模型分割結(jié)果如圖5所示.從圖5中可以看出,4種方法得到的分割結(jié)果從可視化方面都取得了不錯的結(jié)果.比較圖5中箭頭所指的分割邊緣,本文提供的方法與DenseASPP模型更貼近醫(yī)師勾畫的頭圍,并且被分割區(qū)域不會出現(xiàn)誤判的情況.而本文提供的方法分割的線條比DenseASPP模型分割的線條更為平滑.同時,我們也利用上述的,3種指標做了定量比較,如表2所示,在4種方法都獲得了較高的評分的情況下,本文提出的方法在性能上均優(yōu)于其他3種方法,在頭圍的數(shù)據(jù)中取得了最優(yōu)的結(jié)果.圖5 胎兒頭圍的超聲分割圖像

【參考文獻】：
期刊論文
[1]自適應步長下多閾值彩色圖像的全局分割方法[J]. 魯秋菊,拓守恒.  吉林大學學報(理學版). 2019(01)
[2]基于U-net模型的全自動鼻咽腫瘤MR圖像分割[J]. 潘沛克,王艷,羅勇,周激流.  計算機應用. 2019(04)
[3]基于改進Otsu算法的生菜葉片圖像分割方法[J]. 孫俊,宋佳,武小紅,李玉婷.  江蘇大學學報(自然科學版). 2018(02)
[4]一種帶心肌瘢痕的心臟磁共振圖像左室壁分割方法[J]. 李曉寧,厲元杰,幸浩洋,陳玉成.  四川大學學報(自然科學版). 2016(05)
[5]基于序貫濾波的水平集圖像分割[J]. 王丹,何坤,張旭.  四川大學學報(自然科學版). 2016(03)



本文編號：3593347