基于多尺度融合MAU-Net模型的蒙医尿诊气泡特征分析

摘要

尿液气泡形态特征是蒙医尿诊中辨识赫依证型和其他证型的重要客观依据，但传统蒙医尿诊依据医生目视判断“三时九律”特征，存在人为误差导致的不准确性且缺乏标准数据集。针对上述问题，建立包含2 400个样本的蒙医尿诊数据集MUB-Seg，该数据集包含蒙医尿诊“三时九律”的热温冷三时段颜色、气泡、透明度、沉渣、漂浮物5个特征。基于VMUNet构建多尺度特征融合网络MAU-Net，以提升气泡提取精度。其中将空洞空间金字塔池化模块与U-Net级联式解码相结合，提升模型对图像全局信息与局部细节的捕捉效率，损失函数联合优化二元交叉熵损失和Dice损失，以兼顾小目标召回率与边界对齐精度，避免单一损失函数的偏置问题。实验结果表明，在自建数据集MUB-Seg上，MAU-Net结合BCE-Dice复合损失的IoU为72.88%、F1为84.31%、敏感性为83.75%，且在边缘细节恢复、微小气泡检出与复杂背景抑制方面均优于PSPNet、U²-Net、U-Net与VMUNet，相较次优PSPNet指标分别提升3.11%、2.11%和2.51%。可见，多尺度特征融合与损失函数协同优化的策略，有效提升了MAU-Net对尿液气泡图像局部特征与结构边界的敏感性，为赫依证型的客观化辨识提供了技术支撑，同时也验证了深度学习在民族医学图像分析中的可行性。

关键词

尿液气泡图像分割 / 边界优化 / 特征提取 / 损失函数组合 / 多尺度融合