深度学习驱动的医学图像智能分割算法研究【附数据】

✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

 ✅ 具体问题可以私信或扫描文章底部二维码。

---

（1）基于自适应通道-上下文感知金字塔融合网络的皮肤病变分割

皮肤病变的精确分割对于早期诊断和治疗具有重要意义。传统的医学图像分割方法往往依赖于手工设计的特征，这在处理复杂多变的皮肤病变时显得力不从心。为了克服这一问题，本研究提出了一种基于U型网络结构的自适应通道-上下文感知金字塔融合网络（ACCPG-Net）。该网络结构的核心在于其自适应性和全局特征融合能力，旨在提高皮肤病变区域的分割精度。

在ACCPG-Net中，编码器部分采用了轻量级注意力提取模块，即自适应通道-上下文感知金字塔注意力（ACCAPA）模块。该模块通过动态学习通道信息、上下文信息和全局结构信息，从多个角度对病变区域的特征进行建模。具体来说，ACCAPA模块能够在不同尺度上捕捉病变区域的局部细节和全局结构，从而提高特征的表达能力。此外，ACCAPA模块还能够自适应地调整通道权重，突出重要的特征信息，抑制无关或干扰信息，从而增强模型的鲁棒性。

解码器部分则引入了全局特征融合（GFF）模块，用于增强编码器和解码器不同层级之间特征图的语义信息交互。GFF模块通过跨层级的特征融合，将高层次的抽象信息与低层次的详细信息相结合，从而在恢复图像细节的同时保持整体结构的连贯性。这种多尺度特征融合策略有助于改善分割边界的质量，尤其是在处理边缘模糊或形状复杂的病变区域时表现尤为显著。

为了验证ACCPG-Net的有效性，我们在四个公开的皮肤病图像数据集上进行了对比实验和消融实验。实验结果表明，ACCPG-Net在皮肤病变分割任务上表现出色，不仅在分割精度上优于其他流行的方法，而且在泛化能力方面也表现出更强的鲁棒性。特别是在处理不同类型和大小的皮肤病变时，ACCPG-Net能够保持较高的稳定性和一致性，显示出其在实际应用中的潜力。

（2）基于并行分支的双主干多信息融合网络的肠道息肉分割

肠道息肉的早期检测和分割对于预防结肠癌和直肠癌具有重要意义。然而，由于肠道内部环境复杂，图像中常伴有噪声和反光，使得息肉特征与正常组织特征难以区分，增加了分割任务的难度。为了解决这一问题，本研究提出了一种基于Transformer和CNN的并行分支多信息融合网络（DBMIA-Net）。

DBMIA-Net的设计思路是在网络中引入了自适应通道图卷积（ACGC）特征提取模块、全局信息融合（GIA）模块和边缘信息融合（EIA）模块。ACGC模块主要用于提取编码器中的深度特征，通过图卷积操作充分表征通道之间的潜在关联信息。GIA模块则从全局视角出发，对双主干网络的特征图进行融合，增强全局特征的表达能力。EIA模块则关注于边缘特征的提取和融合，通过细化边缘信息来提高分割边界的清晰度。

在具体的实现中，DBMIA-Net采用了双主干结构，其中一个主干基于Transformer，另一个主干基于CNN。Transformer主干负责捕捉长距离依赖关系，提取高层次的语义信息；而CNN主干则擅长提取局部特征，保留图像的细节信息。通过并行分支的设计，DBMIA-Net能够在不同层面有效地融合多种信息，从而提高息肉组织的分割精度。

为了验证DBMIA-Net的性能，我们在五个公开的肠道息肉数据集上进行了实验。实验结果表明，DBMIA-Net在肠道息肉分割任务上取得了优异的表现，不仅在分割精度上超过了其他主流方法，而且在处理不同类型的息肉时表现出较强的泛化能力。特别是在处理边界模糊或形状不规则的息肉时，DBMIA-Net能够准确地捕捉到息肉的轮廓，显示出其在实际应用中的潜力。

（3）基于多级语义选择融合网络的新冠病毒肺部感染区域分割

新冠病毒肺部感染区域的精确分割对于临床诊断和治疗具有重要意义。现有的分割方法虽然取得了一定的进展，但在处理磨玻璃密度影（GGO）等复杂特征时仍面临挑战。为了解决这一问题，本研究提出了一种基于多级语义选择融合网络的分割模型。

该模型的核心在于其多尺度特征融合和语义选择融合策略。首先，模型利用多尺度特征融合（DAR）模块对网络深层的高级语义信息进行多尺度提取和融合。DAR模块通过在不同尺度上捕捉特征，能够更全面地表征肺部感染区域的结构信息，从而提高特征的表达能力。其次，模型引入了语义选择融合（SSA）模块，对每一层的特征信息进行筛选，去除冗余无用的信息，保留对分割任务有用的特征。SSA模块通过动态调整特征权重，突出重要的语义信息，从而提高分割的准确性。

为了验证该模型的有效性，我们在多个公开的新冠病毒肺部感染数据集上进行了实验。实验结果表明，所提出的模型在肺部感染区域分割任务上表现出色，不仅在分割精度上优于一些流行的分割模型，而且在处理不同类型的GGO时表现出较强的鲁棒性。特别是在处理边界模糊或形状复杂的感染区域时，该模型能够准确地捕捉到感染区域的轮廓，显示出其在实际应用中的潜力。

 

% 清空工作区
clear;
clc;

% 加载医学图像数据集
dataFolder = 'path/to/medical/images';
imageFiles = dir(fullfile(dataFolder, '*.png'));
maskFiles = dir(fullfile(dataFolder, '*.png'));

% 读取图像和标签
images = [];
masks = [];
for i = 1:length(imageFiles)
    img = imread(fullfile(dataFolder, imageFiles(i).name));
    mask = imread(fullfile(dataFolder, maskFiles(i).name));
    images = cat(4, images, img);
    masks = cat(4, masks, mask);
end

% 划分训练集和测试集
idx = randperm(size(images, 4));
trainIdx = idx(1:0.8*length(idx));
testIdx = idx(0.8*length(idx)+1:end);
imagesTrain = images(:,:,:,trainIdx);
masksTrain = masks(:,:,:,trainIdx);
imagesTest = images(:,:,:,testIdx);
masksTest = masks(:,:,:,testIdx);

% 定义U-Net网络架构
layers = [
    imageInputLayer([256 256 1])
    
    % 编码器
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    
    convolution2dLayer(3, 128, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    
    % 解码器
    transposedConv2dLayer(2, 128, 'Stride', 2)
    batchNormalizationLayer
    reluLayer
    
    transposedConv2dLayer(2, 64, 'Stride', 2)
    batchNormalizationLayer
    reluLayer
    
    % 输出层
    convolution2dLayer(1, 1, 'Padding', 'same')
    sigmoidLayer
    pixelClassificationLayer];

% 定义训练选项
options = trainingOptions('adam', ...
    'InitialLearnRate', 0.0001, ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 4, ...
    'Shuffle', 'every-epoch', ...
    'Plots', 'training-progress', ...
    'Verbose', false, ...
    'ValidationData', {imagesTest, masksTest}, ...
    'ValidationFrequency', 30, ...
    'ValidationPatience', 10);

% 训练模型
net = trainNetwork(imagesTrain, masksTrain, layers, options);

% 模型评估
YPred = predict(net, imagesTest);
diceScore = dice(YPred, masksTest);
fprintf('Dice score: %.4f\n', diceScore);

% 可视化预测结果
figure;
for i = 1:4
    subplot(4, 3, (i-1)*3+1);
    imshow(imagesTest(:,:,:,i));
    title('Original Image');
    
    subplot(4, 3, (i-1)*3+2);
    imshow(masksTest(:,:,:,i));
    title('Ground Truth Mask');
    
    subplot(4, 3, (i-1)*3+3);
    imshow(YPred(:,:,:,i));
    title('Predicted Mask');
end

% 保存模型
save('unet_medical_segmentation.mat', 'net');

% 加载模型
load('unet_medical_segmentation.mat');

% 预测新数据
newImage = imread('path/to/new_image.png');
newImage = imresize(newImage, [256 256]);
newImage = single(newImage);
newImage = reshape(newImage, [256 256 1 1]);
predictedMask = predict(net, newImage);
imshow(predictedMask);
title('Predicted Mask for New Image');

% 模型解释
layerName = 'conv_1';
activations = activations(net, imagesTest, layerName);
figure;
montage(activations, 'Size', [4 4]);
title('Activations of Layer ' + layerName);

% 模型安全评估
adversarialExample = fgsm(net, newImage, 'TargetClass', 1, 'Epsilon', 0.01);
adversarialPrediction = predict(net, adversarialExample);
figure;
subplot(1, 2, 1);
imshow(newImage);
title('Original Image');
subplot(1, 2, 2);
imshow(adversarialPrediction);
title('Adversarial Example Prediction');