基于深度可变形配准的多图谱海马体图像分割

摘要

针对海马体图像多图谱分割算法精度低的问题，在多图谱分割的配准环节提出了一种基于U-Net的深度可变形配准模型。将U-Net编码环节的标准卷积替换为深度可分离卷积（DSConv），以增强模型的特征提取能力；引入可变形大核注意力（D-LKA）模块，提高对重要区域特征的注意力；运用空洞卷积（DC）模块扩展感受野，强化对多尺度信息的捕捉能力。改进算法在公开数据集LPBA40与OASIS上的实验结果表明，该模型在OASIS数据集上的配准精度可达0.798 8；通过多图谱分割标签融合阶段的多数表决方法，最终分割精度相较于其他配准方法提升了5%～9%。本模型展现了潜在的临床应用价值，在早期阿尔茨海默病诊断中具有积极参考意义。

关键词

多图谱分割 / 海马体 / 图像配准 / 标签融合 / 深度可分离卷积 / 空洞卷积