在脊椎CT图像分割问题中,由于脊椎与组织对比度过低和噪声的影响,传统分割算法存在分割精度差和自动化程度低等问题。基于此,提出一种通过AttentionNet定位脊椎,然后使用改进的DenseUnet进行脊椎CT分割的方法。首先,对所有脊椎CT样本数据进行裁剪、重采样、灰度值归一化等预处理操作;再次,对样本使用AttentionNet训练得到具有位置信息的Attention图;然后,对传统DenseUnet进行改进,在每个Dense block加入Shuffle操作来增加网络的鲁棒性,在每个Dense block后加入1×1卷积,以降低通道数,减少网络参数量;接着使用改进后的DenseUnet对训练样本进行预训练,得到具有先验信息的预测图;最后,将Attention图、预测图及原始图像融合为三通道的训练样本作为输入,采用改进的DenseUnet训练分割模型,并在测试集上进行验证,最终实现脊椎CT自动分割。实验结果表明,所提方法的分割精度优于传统DenseUnet,是一种有效的脊椎CT自动分割方法。

设计了一个浅层卷积神经网络来代替预训练模型中的全连接层, 将预训练网络提取的CNN特征作为图像输入设计好的浅层CNN网络, 对比微调预训练模型的方法, 能够更好地适应航拍图像定位任务。为进一步提高航拍图像的定位准确率, 利用无人机航拍图像时间连续的特点, 通过在CNN的分类阶段加入Bi-LSTM网络, 使网络在分类时能够以多张图像特征作为判断依据。实验表明, 时序图像定位方法定位准确率稳定在0. 89左右, 对比单张图像定位方法准确率提升5%左右。