基于纹理知识引导的弱监督脑图像分割方法TKG-Net研究

本文提出了一种创新的弱监督脑图像分割方法TKG-Net，通过阶梯式类激活图融合算法（CAM）、纹理知识提取模块（模糊K-Means与Prewitt算子协同）和交叉引导模块的有机结合，有效解决了医学图像标注不完整和结构复杂导致的欠分割/过分割问题。在BraTS2019和INSTANCE2022数据集上的实验表明，该方法在分割精度上显著优于现有先进技术。

　　

亮点

• 提出了一种简单有效的阶梯式类激活图融合算法。该算法充分利用深度类激活图（CAM）和浅层类激活图的特性，精确定位目标区域。

• 提出了一种新颖的纹理知识提取模块。该模块通过模糊K-Means和Prewitt算子的协同作用高效捕获目标的纹理信息，并将其有机整合到纹理一致性损失函数中以指导网络训练。

• 引入了一种新颖的交叉引导模块。它通过利用语义一致性损失和纹理一致性损失，实现了类激活图与浅层类激活图的初步融合，从而实现对目标区域更精确的分割。

• 在BraTS2019和INSTANCE2022数据集上验证了该方法的性能，证明了其在弱监督分割任务中的优越性，超越了当前最先进的方法。

结论

本文研究的基于纹理知识引导的弱监督脑图像分割，为应对脑医学图像分割中标签不完整和不准确的问题提供了一种创新解决方案。在该方法中，设计了阶梯式类激活图（CAM）融合算法，通过充分利用不同层级类激活图的特性实现了目标区域的精确定位。本文引入了纹理知识提取模块，通过模糊K-Means和Prewitt算子的协同作用，从原始图像中提取与目标形状相关的纹理特征。最后，通过交叉引导模块实现了语义信息和纹理信息的有效融合，从而获得了更精确的分割结果。