计算机辅助设计与图形学学报

作者：黄峥, 颜上取, 邹孝, 王润民, 钱盛友

关键词：高强度聚焦超声, DeepLabv3+, 损失函数, 空洞卷积, 图像分割

在高强度聚焦超声治疗中,需要在监控超声图像中准确地提取治疗的目标区域,但受到超声图像中复杂背景和大量噪声的干扰,传统图像分割算法对超声图像中目标区域分割时存在局限性.为了提取超声图像中的目标区域,提出一种结合改进DeepLabv3+网络和改进损失函数的语义分割方法.在DeepLabv3+网络的基础上,加入串联了DenseASPP结构与通道注意力机制的注意力机制增强DenseASPP到DeepLabv3+编码器中,并提出一种特征图加权模块加入DeepLabv3+解码器中,以提高网络特征提取能力和对目标区域边缘的分割精度;在损失函数上,结合Huber损失和noise-robust Dice损失得到的改进损失,解决多类别像素数量比例失衡问题并提高损失函数对噪声的鲁棒性.消融实验结果表明,与原始DeepLabv3+网络相比,改进DeepLabv3+网络分割结果的MIoU提高0.46个百分点,使用改进损失函数训练的改进DeepLabv3+网络分割结果的MIoU提高0.99个百分点.所提方法有效地提高了对高强度聚焦超声治疗监控超声图像中目标区域的分割精度,并对噪声具有强鲁棒性.

来源：2022年第5期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2022年第5期