融合切片差分信息的颅内出血CT图像分割方法

摘要

针对人脑CT影像中存在的因不规则性、渐变性和尺度多变性带来的分割困难问题,提出一种融合切片差分信息的颅内出血CT图像分割方法 SDC-UNet。首先,提出一种新的颅内出血CT图像预处理方法对不同设备产生的CT图像进行归一化处理;然后,提出一种用于医学影像的切片差分卷积对切片间的上下文信息进行有效提取;最后,提出了一种位置信息嵌入通道的注意力PECA,进一步增强模型的分割性能。在自建的高标准颅内出血CT图像数据集中的实验结果表明,SDC-UNet可以有效提升颅内出血CT图像中血肿区域的分割精度,以仅14.01 M的参数量在DSC、HD95、RVD、NSD上分别达到89.05%、8.92 mm、9.13%、83.38%。所提出的SDC-UNet分割方法优于目前主流的医学图像分割模型,以较少的参数量取得了优秀的分割性能。

关键词

颅内出血分割 / 脑CT图像 / U-Net / 差分信息 / 注意力机制