56、医学图像分割：肝癌病理图像与膀胱病变图像的研究进展

医学图像分割：肝癌病理图像与膀胱病变图像的研究进展

在医学领域，图像分割技术对于疾病的诊断和治疗具有重要意义。本文将介绍肝癌病理图像分割和基于Res - Unet的膀胱病变自动分割的相关研究。

肝癌病理图像分割

数据处理与特征提取

• 肝癌病理图像是约50,000×50,000像素的三通道图像，每个图像都有对应的标记癌变区域的标签文件。经过预处理后，得到了56672张可用于训练的病理图像。
• 在特征处理方面，对编码器中相同大小的特征图f1进行拼接。对于解码器右侧得到的特征图f4、f5和f6，进行卷积操作、批量归一化操作和线性整流激活函数处理，以获取上下文信息，得到三个新的特征图，然后按通道拼接这三个具有相同分辨率的特征图。

评价指标

在语义分割中，由于图像中不同像素之间存在联系，准确率系数不能完全反映模型分割的效果。因此，常用Dice系数和IoU（交并比）作为衡量语义分割结果的指标。
- Dice系数计算公式：$S = \frac{2|X \cap Y|}{|X| + |Y|}$，其中X表示掩码图像的像素点集，Y表示预测图像的像素点集。
- IoU计算公式：$IOU = \frac{|A \cap B|}{A \cup B}$，其中A表示掩码图像的像素点集，B表示预测图像的像素点集。

实验结果

• 与FCN模型、SegNet模型和U - net模型进行比较，结果如下表所示：
  | 模型 | Dice | IoU | Acc |
  | ---- | ---- | ---- | ---- |