基于改进U-Net的牙齿图像分割和抑噪研究.pdfVIP

与

数据科学与技术信息技术信息化

基于改进U-Net的牙齿图像分割和抑噪研究

11

张磊滕开良

摘要牙齿X光医学图像具有低对比度和高噪声特性，牙齿的形态和排列复杂性也增加了图像识别与分割的难

度。基于此，文章提出了一种改进的U-Net模型，设计了动态注意力融合模块（dynamicattentionfusion

module,DAFM）增强特征提取能力。该模块对通道和空间两个维度的注意力特征进行自适应加权，降

低冗余信息影响，并增强对关键特征的捕捉，提升模型对边界特征的识别能力。实验结果表明，改进后

的模型在分割精度、边界一致性及细节还原方面优于原始U-Net模型，同时在乘性噪声、椒盐噪声和高

斯噪声环境条件下仍保持稳定的分割性能。

关键词牙齿分割；U-Net;注意力；特征融合

doi：10.3969/j.issn.1672-9528.2025.03.035

[5]

0引言成的信息损失。

在牙齿医学图像分割的研究中，U-Net[6]的编码-解码结

随着数字图像在医学领域的快速扩展，医学图像分割技

构通过跳跃连接将浅层和深层特征结合，保留更多的细节信

术不断提升。牙齿医学图像具有低对比度和高噪声的特点，

息。ResUNet[7]的残差结构增强特征传递的稳定性。Attention

且因牙齿形态和排列多样，传统图像处理方法在分割任务上

[1][2]U-Net[8]引入注意力机制，提升模型在复杂背景下对目标区域

面临挑战。目前，医学图像去噪方法可分为基于变换域、

[3][4]的分割性能。SegNet[9]模型使用池化索引保留了位置信息，

统计域及机器学习三大类。传统的变换域和统计域方法

使模型能够在解码过程中复原部分空间结构。

依赖噪声先验信息，应用范围受到限制。而深度学习去噪方

随着注意力机制在医学图像分割中的应用逐渐增多，自

法可保留图像边缘细节，减少传统去噪方法中因平滑操作造

注意力机制和卷积块注意力在处理复杂结构的牙齿图像时展

现出优势。自注意力机制关注每个像素与其他像素之间的关

1.广西民族大学人工智能学院广西南宁530006

[9]CHENBY,XIASY,CHENZZ,etal.RSMOTE:aefficientk-meansclusteringalgorithm:A