关键词:
生成对抗网络
医学影像
残差自注意力机制
数据增强
病灶分割
摘要:
医学影像分割技术是辅助医生诊断的基础。近年来,深度学习技术不断发展,基于深度学习的医学影像分割方法得到了显著的进展,这些方法能够有效提高医生诊断效率和准确率等问题。因为生成对抗网络和其他领域结合之后表现突出,其在医学影像增强、超分辨率和分割方面的应用也得到了广泛的关注。因此,为了解决医学影像存在轮廓不清晰、数据数量相对较少和分割效率较低的问题。本文基于生成对抗网络的方法,对医学影像增强分辨率、数据增强和提高分割精度方面进行了深入的研究,在LITS17、Bra TS2018、Bra TS2021和COVID-19 CT scans四种数据集上进行实验。主要研究内容分为以下三点:
首先,本文针对生成对抗网络在生成图像时存在不稳定性和质量的问题,提出了基于残差自注意力机制的生成对抗网络(RSF-GAN)。该方法引入残差和自注意力机制,它能够帮助生成模型更好地捕捉图像中的关键特征。之后针对该模型进行对比实验,在LITS17、Bra TS2018、Bra TS2021和COVID-19 CT scans这四个数据集上进行验证,SSIM、MSE、IS和FID四个指标较基线网络分别有明显的提升。结果表明,残差自注意力机制的生成对抗网络在数据增强的任务上,表现出来了更优的效果。
其次,本文提出了一种面向医学影像的分割模型。该模型结合了算法和数据方面的知识,旨在减少模型搜索空间,使得分割模型在处理新数据样本时无需微调即可获得良好的分割结果。为进一步提升医学影像分割的效率和特征提取能力,本文选择了全局到局部空间聚合(GLSA)、Inception和多尺度特征提取三种方法,并将它们与UNet相结合作为生成对抗网络的生成器,提出GLSA-U-Net-GAN、Inception-U-NetGAN和Multiscale-U-Net-GAN。这样的组合可以综合利用它们各自的优势,提高分割任务的性能和效率。实验部分使用数据增强后的LITS17、Bra TS2018、Bra TS2021和COVID-19 CT scans数据集进行验证,通过对比实验结果显示,GLSA-U-Net-GAN在特征提取和分割能力方面相较于其他算法具有显著优势。
最后,本文的研究内容主要是基于残差自注意力机制的生成对抗网络进行数据增强以及面向医学影像原型提取的医学影像分割技术。这些方法的应用能够克服传统方法和深度学习方法所存在的局限性,为病灶分割提供更为准确和可靠的结果。这些成果不仅对医学影像分析领域具有重要意义,对临床诊断的准确性和效率提供有力支持。