双阶段噪声自适应超声图像分割网络

作     者：王霞霞 张炫 吴兴隆 黄青 徐国平 Wang Xiaxia;Zhang Xuan;Wu Xinglong;Huang Qing;Xu Guoping

作者机构：武汉工程大学计算机科学与工程学院武汉430205 

出 版 物：《电子测量技术》 (Electronic Measurement Technology)

年 卷 期：2024年第47卷第10期

页      面：175-183页

学科分类：0810[工学-信息与通信工程] 08[工学] 081001[工学-通信与信息系统] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：东省数字孪生人重点实验室项目(2022B1212010004) 智能机器人湖北省重点实验室项目(HBIRL202202) 中央高校基本科研业务费专项(PA2023IISL0095) 武汉工程大学第十五届研究生教育创新基金(CX2023319) 湖北省自然科学基金(2022CFB804)项目资助 

主　　题：医学图像 图像分割 图像去噪 噪声自适应 

摘      要：在医学图像分割领域,不同设备或参数的噪声干扰对模型的泛化产生负面影响。为解决由不同噪声源导致的分割模型性能下降问题,提出了一种自适应噪声污染的双阶段高效分割模型NANet。该模型主要包括两部分:去噪和分割。其中去噪部分采用无监督的U型自动编码器结构,结合频域可学习的去噪模块,以缓解噪声引起的目标域差异。分割部分基于DeepLabv3+架构构建模块,聚焦于提高噪声污染超声图像中目标的分割准确度和泛化能力。实验测试了4个不同的超声数据集在受到均匀、高斯和椒盐噪声污染下,模型的分割性能。实验结果表明,所提出的NANet在臂丛神经超声数据集的原始图像、受均匀噪声、高斯噪声以及椒盐噪声污染的图像数据上分割的Dice系数分别为79.71%、78.51%、79.75%和79.1%。对比实验显示,NANet在不同噪声类型的超声图像上的分割性能明显优于传统分割方法,其中在高斯和椒盐噪声污染的超声图像上,准确率相比U-Net、DeepLabv3+和AttUNet方法均提高超过10%。结果验证了所提出的NANet在不同噪声环境中的鲁棒性和泛化能力。