多尺度ResNeSt-50聚合网络与置信度传播的息肉图像分割

针对大肠的息肉组织与正常组织间无明显边界,准确定位息肉位置困难的问题,提出了一种多尺度ResNeSt-50聚合网络融合顺序树重加权置信度传播(sequential Tree-Reweighted Message Passing,TRW-S)的息肉图像分割方法.为提高网络对息肉信息的表达能力,构建编码-解码结构的多尺度ResNeSt-50 聚合网络,编码器由卷积模块和 4 级ResNeSt模块级联构建ResNeSt-50骨干网络,实现跨通道信息间的线性整合与连接;ResNeSt-50采用拆分注意力机制加强重要通道组的表现能力,增强了残差模块提取息肉图像信息的能力;解码部分下三层构建多层感受野模块(recep-tive field block,RFB)获取多尺度信息,然后用密集聚合模块整合其输出,并以快速解码方式输出解码信息,保证其分割性能的同时减少参数量;其次,生成预测图时采用测试时图像增强(Test-Time Augmentation,TTA)模块提升预测准确度,并增强网络的泛化能力;最后,构建基于马尔科夫随机场的TRW-S算法对输出的预测图进行后处理,以实现分割边缘的连续性和分割区域内部的一致性.对大肠息肉数据集Kvasir-SEG的测试结果表明,本文方法相比于U-Net,U-Net++,ResUnet、SFA、PraNet等算法,mDice值达91.6%,mIoU达86.3%,Smeasure达0.921,MAE为0.023,优于其他五种息肉分割算法;在未知数据集ETIS-LaribPolypDB,ColonDB上测试结果表明,相比于PraNet模型,本文模型的mDice值分别提升了14.2%,7.7%;从本文模型在ETIS-LaribPolypDB数据集上的分割表现看,本文算法对微小病变十分敏感;因此,本文算法分割的息肉图像,在分割区域内部的一致性、分割边缘的连续性、轮廓清晰度、捕捉微小病变能力等方面均表现出优良的性能,同时,对未知数据集具有较好的泛化能力.