基于注意力机制的深度神经网络分割算法在胎盘图像上的应用

高书阳

（湖北方源东力电力科学研究有限公司，湖北 武汉 430000）

1 前言

在胎儿的医疗诊断过程中，准确地识别胎盘图像中胎儿位置对评价胎儿和母亲的健康状况很重要。现有的方法主要是借助超声波扫描仪获得胎盘图像，再由专业的超声波图像解析人员识别出胎儿位置并采集各项数据（例如：头围、腹部宽度等），由于解析人员的专业知识和长时间的识别疲劳，导致胎儿位置的识别结果在不同的观察者那里会存在很大的差异；超声波解析人员在采集各项数据时，主要使用卡尺作为测量工具，卡尺的放置位置会对测量结果产生很大的误差。

传统的图像分割方法，包括阈值法、边缘法和区域法等，这些都没有考虑像素之间的相关性，分割的效果不理想。基于图论的分割方法是将图像中的每个像素点看成图的顶点，像素点之间的关系看作图的边，像素之间的相关性看作边的权值，建立一个关于边的能量函数，通过最小化能量函数实现对图像的分割；基于能量泛函的分割方法是利用类间方差或像素间梯度构造能量泛函，求解泛函极值时图像的分割状态。近年来，卷积神经网络以其超强的特征提取能力被广泛地应用于图像检测和分割领域。图像分割主要分为语义分割和实例分割，语义分割是区分图像中不同物体类的分割，它不需要区分图像中某个物体类的不同个体，从早期的全卷积网络（Fully Convolutional Networks,FCN）[1]、U-Net[2]，发展到现在的金字塔场景分析网络（Pyramid Scene Parsing Network，PSPNet）[3]、DeepLab[4]等，这些都是单阶段直接预测掩码。……