基于多尺度特征融合的医学图像信息分割研究

摘要

医学图像分割是辅助医生进行疾病诊断与治疗规划的关键技术。目前，基于单一尺度特征的医学图像分割方法难以充分利用图像中不同层次的特征信息，导致分割精度受限，Dice相似系数(Dice similarity coefficient, DSC)偏低。为此，提出一种基于多尺度特征融合的医学图像信息分割方法。首先，采用Laplacian金字塔对医学图像进行多尺度分解与重构，增强图像细节信息；其次，应用统计聚类算法对增强后的图像进行初始分割，完成像素级的初步区域划分。在此基础上，构建一种融合改进InceptionNext结构与密集连接的多尺度特征融合模型，有效提取并融合图像的浅层细节特征与深层语义特征。为进一步提升边界分割精度，引入边缘引导注意力机制，通过深层特征引导浅层特征，突出图像中的结构边界信息，从而实现医学图像的精细分割。为验证所提方法的有效性，选取包含高、低级别胶质瘤的脑肿瘤MRI图像数据集进行实验，并与现有典型分割方法进行对比。实验结果表明，本文方法在增强肿瘤(enhancing tumor, ET)、整个肿瘤(whole tumor, WT)及肿瘤核心(tumor core, TC)等多个区域的分割任务中，Dice相似系数均保持在0.72以上，显著优于对比方法，能够满足临床医学图像处理对分割精度的要求，具备良好的鲁棒性与实用性。

关键词

医学图像 / 多尺度特征融合 / 图像分割 / 注意力机制 / 边缘增强 / Laplacian金字塔

基金资助

山东省自然科学基金项目(CRKSK2023017)