APP下载

引入分组注意力的医学图像分割模型

2023-10-24张学峰张胜张冬晖刘瑞

中国图象图形学报 2023年10期
关键词:特征实验模型

张学峰,张胜,张冬晖,刘瑞

南昌航空大学信息工程学院,南昌 330063

0 引言

随着卷积神经网络(convolutional neural network,CNN)在计算机视觉领域(Dhruv 和 Naskar,2020)和医学图像处理领域的广泛应用,深度学习已经成为医学图像分割任务中的主流方法,并促进了医学图像分割技术的发展。这种端到端的精确分割结果能够在医疗诊断中为医生提供辅助依据,有效地减少因医生个人水平差异对诊断结果所带来的主观影响,且在日常工作中,医院产生的医学图像数据是巨大的,而自动医学图像分割技术能够有效地减轻医生的工作负担。因此,具有十分重要的研究意义和价值。

医学图像分割方法主要采用具有U型结构的全卷积神经网络(Ronneberger 等,2015;Milletari 等,2016)。最典型的是U-Net(Ronneberger 等,2015),它主要由对称的编码器—解码器以及中间的跳跃连接组成。在编码器部分,通过一系列的卷积和连续下采样层来对输入图像进行深层的特征提取。解码器部分则通过上采样操作,将提取的深层特征图的分辨率提升到与输入图像相同的层次来进行像素级的语义预测,同时将来自编码器不同尺度的特征图通过跳跃连接与解码器的特征进行融合,以此来减少下采样带来的空间信息的丢失。凭借着这种优雅的结构设计,U-Net在各种医学图像分割任务中取得了巨大成功。基于U-Net 架构,研究人员提出了许多算法,如nnU-Net(Isensee 等,2021)、Res_UNet(Xiao 等,2018)、U-Net++(Zhou 等,2018)、U-Net3+(Huang等,2020)、3D U-Net(Çiçek等,2016)等,并表现出了更加出色的性能和分割结果,同时也证明了CNN 具有很强的特征学习能力。尽管如此,基于CNN 的方法依然无法满足医学应用对于分割精度的严格要求。……

登录APP查看全文

猜你喜欢

特征实验模型
一半模型
记一次有趣的实验
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
做个怪怪长实验
不忠诚的四个特征
3D打印中的模型分割与打包
NO与NO2相互转化实验的改进
实践十号上的19项实验
线性代数的应用特征