基于状态转移算法和U-net的医学图像分割

U-net在医学图像分割领域应用广泛，但存在小目标分割精度低、模型收敛慢等问题，且其结构和超参数的设定对网络性能有很大影响。为此，本文提出基于混合状态转移算法的U-net结构设计方法，以获取不同分割任务下的较优的U-net体系结构。首先，提出一种可变深度的编码策略来表示U-net中不同的构建块和潜在的最优深度；其次，通过混合状态转移算法优化网络结构中的超参数和连接权重初始值；再次，设计一种新的交互操作来生成具有潜力的个体，利用迁移学习策略和减少epoch的方法加速网络个体的进化；最后，在心脏MRI、肝脏LiTS这2个医学图像数据集中进行测试，验证本文方法的有效性。研究结果表明：与经典的语义分割网络相比，本文所提方法在Dice、Jaccard、VOE等分割性能评价指标中有更好的表现，验证了本文所提算法的可行性和有效性。