Jun.2023JOURNALOFCHENGDUUNIVERSITYOFINFORMATIONTECHNOLOGY2023年6月Vol.38No.3报息成大学学工程都信第38卷第3期文章编号：2096-1618(2023)03-0291-07基于Dual-Hard-Net网络的结直肠息肉分割算法高瑜曼，高琳”，何晋？（1.成都信息工程大学电子工程学院，四川成都610225;2.成都信息工程大学区域链产业学院，四川成都610225）摘要：由于结直肠息肉在形状，色泽和质地等方面各异，且息肉与其周边正常区域的边界分辨模糊等特点，导致息肉医学图像分割存在较大挑战。为提高结直肠息肉的分割准确率，提出一种改进的Dual-Hard-Net网络分割算法。算法采用经典的编解码结构，以Hardnet为共享编码器提取必要的多尺度特征,运用两对并行排列的解码器对提取的特征加以充分利用,并引人改进的注意力机制和残差模块减少计算量，解决梯度消失等问题。分别在两个不同的数据集上进行比较和实验，dice及mloU系数取得了0.895和0.859的准确率。与当前的多种主流算法相比，算法具有更高的分割准确性和精确度。关键词：医学图像分割；结直肠息肉；编解码结构；多尺度特征；注意力机制中图分类号：TP391文献标志码：Adoi:10.16836/j.cnki.jcuit.2023.03.0070引言在人工智能和医学大数据快速发展趋势下，基于深度学习的医学图像分割在医学辅助领域得到更普遍和深入的运用,有重要的应用前景和潜在发展趋势。和自然图像相比，医学图像存在分辨率高、数据量小、样本大小不平衡等特点，因此基于不同医学分割任务的多种图像分割算法应运而生，解决不同分割领域的问题且得到了有效的应用。如LongJ等[1]构建FCN(完全卷积)网络，通过由端到端、像素到像素训练的卷积网络进行语义分割。任意大小的图像都可输入到该网络中,最后通过有效的推理和学习,产生相应大小的分割结果。并采用全卷积化的方式来解决逐像素的预测问题，使用跨层的跳跃连接结构，将浅层的纹理信息和深层次的语义信息进行融合,实现精准的分割任务。Ronneberger等[2]提出一个对称的U型网络，可融合多层多尺度特征，由一个收缩路径获取全局上下文信息以及一个对称的扩张路径进行局部精确定位组成。U-Net网络采用对称编解码结构，在编码网络部分对图像进行卷积获取上下文信息，在解码网络部分采用上采样操作将图像恢复到相应的尺寸大小，并通过跳跃连接将两部分同样分辨率大小的特征进行融合，最后恢复到原尺寸大小。Zhou等[3]提出了UNet++,是一个结合深度监督的编码器网络，编码器和子网络由嵌套及密集的跳跃长短连接...
