双阶段噪声自适应超声图像分割网络

来源：电子测量技术杂志2024年第10期北京时间：

作者：王霞霞，张炫，吴兴隆，黄青，徐国平

单位：武汉工程大学计算机科学与工程学院 武汉 430205

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。

关键词：医学图像;图像分割;图像去噪;噪声自适应

基金资助：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