基于改进SegNet癌变组织图像语义分割算法

针对医学图像中癌变与正常组织的人工标注和定量分析耗时且缺乏一致性的问题,提出了一种基于穆勒矩阵参数图像的语义分割网络模型,采用背向散射光穆勒矩阵自动成像系统获得病理组织的穆勒矩阵图像,使用穆勒矩阵分解和变换获得相应的参数图像,结合纹理特征定量分析分割后癌变与正常组织的差异.实验表明,相比SegNet算法,该算法在肝癌和肺癌数据集上的准确率分别提高5.89％与1.17％,平均交并比分别提高9.79％与5.56％,也优于FCN和U-Net算法,降低了癌变组织的假阴性率,能够自动学习癌变与正常组织特征,有助于为癌症的病理诊断提供即时准确的组织定量指标.