Resumen

Con el objetivo de resolver el problema de las características morfológicas insignificantes de los objetivos, la detección imprecisa y los límites poco claros de las regiones de objetivos pequeños, así como el solapamiento de los límites de los objetivos múltiples en la segmentación de imágenes complejas, se propone una red generativa adversarial fusionada con el mecanismo de atención no local, combinando el mecanismo de segmentación de imágenes de la red generativa adversarial con el método de mejora de las características. La red generativa del modelo se compone de una red residual y un módulo de atención no local, que utilizan el mecanismo de extracción de características y de fusión multiescala de la red residual, así como la capacidad de mejora de características y de fusión de información global de la atención dual de canal espacial no local para mejorar las características del objetivo en el área de detección y mejorar la continuidad y la claridad del límite de segmentación. La red adversarial se compone de redes totalmente convolucionales, que penalizan la pérdida de información en las regiones de objetivos pequeños juzgando la autenticidad de la predicción y la segmentación de etiquetas, y mejora la capacidad de detección del modelo adversarial generativo para objetivos pequeños y la precisión de la segmentación multiobjetivo. AM-GAN puede utilizar el mecanismo inherente de GAN que reconstruye y repara la imagen de alta resolución, así como la capacidad del campo receptivo global de atención no local para fortalecer las características de detalle, aprender automáticamente a centrarse en las estructuras de los objetivos de diferentes formas y tamaños, resaltar las características salientes útiles para tareas específicas, reducir la pérdida de características de detalle de la imagen, mejorar la precisión de la detección de objetivos pequeños y optimizar el límite de segmentación de los objetivos múltiples. Tomando la segmentación de imágenes abdominales por resonancia magnética como experimento de verificación, se seleccionan multiobjetivos como el hígado, el riñón izquierdo/derecho y el bazo para la segmentación y la detección de tejidos anormales. En el caso de conjuntos de datos pequeños y desequilibrados, la precisión de los píxeles de clase alcanza el 87,37%, la intersección sobre la unión es del 92,42% y el coeficiente medio de Dice es del 93%. En comparación con otros métodos del experimento, la precisión y la exactitud de la segmentación mejoran considerablemente. Esto demuestra que el método propuesto tiene una buena aplicabilidad para resolver problemas típicos de segmentación de imágenes multiobjetivo, como la detección de características de objetivos pequeños, la superposición de límites y la deformación de desplazamiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red generativa adversarial, atención no local, red residual, superposición de límites, región objetivo, conjuntos de datos de muestra no equilibrados, campo receptivo global, mecanismo de fusión multiescala, módulo de atención no local, pérdida de imagen
• Keywords:generative adversarial network, nonlocal attention, residual network, boundary overlap, target region, unbalanced sample datasets, global receptive field, multiscale fusion mechanism, nonlocal attention module, loss of image