基于梯度指导的生成对抗网络内镜图像去模糊重建

胃肠镜检查是目前临床上检查和诊断消化道疾病最重要的途径,内窥镜图像的运动模糊会对医生诊断和机器辅助诊断造成干扰。现有的去模糊网络由于缺乏对结构信息的关注,在处理内窥镜图像时普遍存在着伪影和结构变形的问题。为解决这一问题,提高胃镜图像质量,该文提出一种基于梯度指导的生成对抗网络,网络以多尺度残差网络(Res2net)结构作为基础模块,包含图像信息支路和梯度支路两个相互交互的支路,通过梯度支路指导图像去模糊重建,从而更好地保留图像结构信息,消除伪影、缓解结构变形;设计了类轻量化预处理网络来纠正过度模糊,提高训练效率。在传统胃镜和胶囊胃镜数据集上分别进行了实验,实验结果表明,该算法的峰值信噪比(PSNR)和结构相似度(SSIM)指标均优于对比算法,且复原后的视觉效果更佳,无明显伪影和结构变形。     

基于阶梯结构的U-Net结肠息肉分割算法

结肠息肉的精确分割对结直肠癌的诊断和治疗具有重要意义,目前的分割方法普遍存在有伪影、分割精度低等问题。该文提出一种基于阶梯结构的U-Net结肠息肉分割算法(SU-Net),使用U-Net的U型结构,利用Kronecker乘积来扩展标准空洞卷积核,构成Kronecker空洞卷积下采样有效扩大感受野,弥补传统空洞卷积容易丢失的细节特征;应用具有阶梯结构的融合模块,遵循扩展和堆叠原则形成阶梯状的分层结构,有效捕获上下文信息并从多个尺度聚合特征;在解码器引入卷积重构上采样模块生成密集的像素级预测图,捕获双线性插值上采样中缺少的精细信息。在Kvasir-SEG数据集和CVC-EndoSceneStill数据集上对模型进行了测试,相似系数(Dice)指标和交并比(IoU)指标分别达到了87.51%, 88.75%和82.30%, 85.64%。实验结果表明,该文所提方法改善了因过度曝光、低对比度引起的分割精度低的问题,同时消除了边界外部的图像伪影和图像内部不连贯的现象,优于其他息肉分割方法。