基于全局-局部Unet11的肾脏超声图像分割方法

针对超声图像中肾脏、肾实质和肾窦自动分割存在的内部和边缘分割不准确问题,提出了一种用于肾脏超声图像分割的深度学习方法(GL-Unet11).通过加深Unet网络,使网络具有更强的表达能力,并提出一个新的通道注意力网络——全局-局部网络(GL-Net),该网络综合考虑了全局通道和局部通道对预测每个通道重要性的影响,使网络更好地关注重要信息.同时,将提出的全局-局部网络加入到加深的Unet下采样部分的卷积块中,有效地增强了重要通道的特征.通过创建3个数据集,分别进行肾脏、肾实质和肾窦分割实验.实验结果表明,本方法在分割肾脏任务中,Dice系数达到96.25％,交并比(intersection over union,IOU)达到92.78％;在分割肾实质任务中,Dice系数达到92.90％,IOU达到86.751％;在分割肾窦任务中,Dice系数达到90.18％,IOU达到82.12％,分割结果均优于其它几种深度学习方法.该研究具有一定的创新性及医学应用价值.