典型文献
基于循环残差卷积神经网络的医学图像分割算法
文献摘要：
针对使用深度学习进行医学图像分割时出现的网络退化问题,通过融合更大尺度的特征映射实现更加精确的图像分割,提出一种基于循环残差卷积神经网络的图像分割算法.首先引入循环卷积模块实现离散步长上的特征提取,提高图像上下文语义信息的利用率,实现更多、更广泛的特征映射提取;然后结合残差学习单元与循环卷积单元形成循环残差卷积模块,替换普通卷积神经网络的前馈卷积单元以解决深层网络模型面临的网络退化问题;最后引入全尺度跳跃连接将不同尺度下的特征图融合,生成分割图像.在PyTorch环境下用3个数据集与其他4种算法进行比较的实验结果表明,所提算法的分割性能更好,图像分割的精确度更高.
文献关键词：
医学图像分割;残差学习;循环卷积;U-Net;全尺度跳跃连接
中图分类号：
作者姓名：
金燕;薛智中;姜智伟
作者机构：
浙江工业大学信息工程学院 杭州 310023
文献出处：
引用格式：
[1]金燕;薛智中;姜智伟-.基于循环残差卷积神经网络的医学图像分割算法)[J].计算机辅助设计与图形学学报,2022(08):1205-1215
A类：
循环卷积模块
B类：
循环残差卷积,残差卷积神经网络,医学图像分割,图像分割算法,使用深度,行医,大尺度,特征映射,散步,步长,长上,上下文语义,语义信息,残差学习,学习单元,单元形,前馈,深层网络,型面,全尺度跳跃连接,不同尺度,特征图,图融合,PyTorch,Net
AB值：
0.267742
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
