计算机应用研究

作者：高红霞,郜伟,

单位：1.河南工程学院软件学院,郑州451191；2.信息工程大学理学院,郑州450001；

关键词：血管壁图像分割,深度神经网络,密集连接结构,自适应加权损失,边界紧凑性约束,

基金：河南省高等学校青年骨干教师培养计划资助项目；；

针对传统深度神经网络在对血管壁图像分割中难以提取具有针对性有效特征的问题，提出一种融合密度连接与自适应加权损失的血管壁图像分割方法。首先通过构建密集连接的分割网络学习更多的边界和轮廓表征以促进特征复用融合；然后设计了改进的自适应加权损失和边界紧凑性损失约束训练网络，利用自适应加权损失自动调整不同区域分割产生的损失比例来引导网络向最佳方向学习；同时引入边界紧凑性损失约束以充分利用边界信息，提升对血管壁图像的分割精度；最后对包含2 544张MRI的MERGE血管壁数据集进行了验证实验。结果表明，提出的改进方法能够有效提取血管壁图像的特征信息，在管腔和外壁轮廓分割中的Dice分别达到了93.65%和95.81%，设计的消融实验也充分证明了所提各个模块和网络的有效性，能够更好地实现高精度的图像分割。

来源：2022年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第6期