MFDU-Net:基于改进U型网络的肾脏超声图像分割OA

超声图像分割在确保准确诊断和制订有效治疗方案方面起着至关重要的作用,目前已经开发了许多深度学习方法来分割超声图像中的器官和病变.然而,模糊的组织边界和大量的散斑噪声等问题限制了现有模型在超声图像上的分割精度.为了解决这些问题,本文在U-Net模型基础上进行改进,提出了一种基于多尺度特征提取和频率注意力去噪的网络模型MFDU-Net.首先,在图像输入端采用了多分辨率输入模块,使模型能够为不同编码层提供输入信息.其次,将原始U-Net的卷积编码层替换为多尺度分离卷积模块,以捕捉不同尺度的图像特征信息.最后,在跳跃连接处引入频率去噪注意力模块,克服大多数医学图像分割网络中常见的空间域特征学习的局限性,减少无关信息和噪声对模型分割性能的影响.对所提出的MFDU-Net在两个自建肾脏超声数据集及DDTI和ISIC2018两个公开数据集上进行了对比评估,与基线U-Net方法相比,MFDU-Net在Dice指标上分别提高了5.47、9.66、4.83和3.59个百分点,HD95距离指标分别缩减了36.59、5.76、48.25和25.75,取得了良好的分割效果.实验结果表明,与现有的先进医学图像分割模型相比,MFDU-Net在分割器官和病灶方面具有更优越的性能.