APP下载

基于U-Net多尺度和多维度特征融合的皮肤病变分割方法

2021-01-18王雪

吉林大学学报(理学版) 2021年1期
关键词:多维度特征融合

王 雪

(吉林农业科技学院 网络信息中心, 吉林 吉林 132101)

医学图像分割是医学图像分析与处理的关键步骤, 可辅助医生做出更准确的诊断和治疗方案, 从而减少人工处理时间和人为错误. 传统医学图像分割方法主要包括基于水平集分割[1-2]、 阈值分割[3]、 基于边缘或区域分割[4-5]和模糊聚类分割[6]等, 这些方法均需用手动提取的特征进行分割, 很难为不同的分割任务设计具有代表性的特征, 缺乏特征的通用性. 随着卷积神经网络在医学图像分析和处理领域的发展, 基于深度学习的分割方法因其可自动学习图像特征, 克服了传统方法中手动提取特征的局限性而成为目前研究的热点. 全卷积神经网络(fully convolutional neural network, FCN)[7]是典型端到端的图像分割深度网络之一. Rommeberger等[8]提出了U-Net网络结构用于生物医学图像分割, 该网络结构通过编码减少空间维度并提取高层语义特征, 解码结合跳跃连接操作恢复空间维度和图像细节信息, 在医学图像分割上性能较好. 但该结构中的连续卷积和池化操作在提取高层次语义特征的同时也丢失了图像中部分空间上下文信息. 因此, 如何在编码中捕获更多的高级特征并保留丰富的空间上下文信息, 以提高医学图像分割性能仍是该领域亟待解决的问题之一.

本文提出一种基于U-Net网络的多尺度和多维度特征融合分割方法, 用于医学图像中皮肤病变分割. 该方法在U-Net网络编码底层引入多尺度和多维度特征融合模块, 以……

登录APP查看全文

猜你喜欢

多维度特征融合
村企党建联建融合共赢
融合菜
从创新出发,与高考数列相遇、融合
《融合》
如何表达“特征”
不忠诚的四个特征
多维度市南
线性代数的应用特征
多维度巧设听课评价表 促进听评课的务实有效
信息论翻译的多维度探索