计算机工程

作者：任家豪, 张光华, 乔钢柱, 武秀萍

单位：1. 中北大学 大数据学院, 太原 030051;2. 太原学院 智能与自动化系, 太原 030032;3. 山西医科大学 口腔医学院, 太原 030001

关键词：标志点检测,多尺度特征融合,倒残差结构,注意力门,热图回归

基金：山西省医学重点科研项目（2021XM06）；山西省“1331工程”项目（FSP-20211331）；山西省回国留学人员科研经费资助项目（2020-149）；山西省高等学校科技创新计划项目（2021L575）。

头影标志点检测对于临床诊断、治疗计划和研究至关重要。为提高自动检测的准确性，提出一种改进的多尺度特征融合检测模型AIW-Net。采用经过预训练的轻量型网络MobileNetV2作为主干网络进行特征提取，使用上、下采样路径构成中间模块，利用改进的倒残差模块减少下采样过程中的特征损失。在解码器模块中引入从粗到细的中间监督，将得到的多个尺度热图与特征图进行融合，并在跳跃连接中使用注意力门，有效抑制特征图中的背景区域响应。在ISBI 2015 Grand Challenge提供的基准数据集Test 1上进行实验，结果表明，该模型的平均径向误差为1.14 mm，在临床可接受的误差范围2 mm与2.5 mm内的成功检测率分别为86.38%与92.10%，性能优于W-Net、IW-Net等模型。

来源：2023年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第3期