典型文献
基于深度特征融合的癌症病理图像分割网络
文献摘要：
卷积神经网络在癌症病理图像分割中具有突出表现,但在临床应用上依然面临着切片染色多样、分辨率差异大等挑战.针对上述问题,提出了一种病灶分割网络HU-Net,提高了癌症病理图像的分割精度.HU-Net使用U-Net网络作为基本结构,利用经过预训练的EfficientNet-B4作为网络特征编码器,解码器部分在U-Net网络上进行改进,将不同深度特征重新进行组合进行特征融合,提升了深层特征在预测中的作用.在此基础上,利用各深度层融合特征预测输出,构建多损失函数共同训练,使深层语义信息更具鉴别力.最后,采用改进的通道注意力模块对融合特征进行选择,使网络对不同分辨率图像的适应性增强,提升了模型筛选重要特征的能力.在BOT数据集和SEED数据集上分别进行癌症病灶分割实验,所提方法的DICE系数得分在两个数据集上分别达到77.99％和82.94％,准确度得分分别达到88.52％和87.42％.该方法相较于U-Net和DeepLabv3+等网络有效提升了癌症病理图像病灶分割精度,实现了更准确的癌症病灶定位和分割.
文献关键词：
计算机图像处理;分割算法;特征融合;癌症;病理图像;深度学习
中图分类号：
作者姓名：
黄鸿;王涛;李远;周凡琳;李昱
作者机构：
重庆大学 光电技术与系统教育部重点实验室,重庆 400044;重庆大学附属肿瘤医院 病理科,重庆 400030
文献出处：
引用格式：
[1]黄鸿;王涛;李远;周凡琳;李昱-.基于深度特征融合的癌症病理图像分割网络)[J].光子学报,2022(03):1-12
A类：
B类：
深度特征融合,病理图像,图像分割,分割网络,突出表现,病灶分割,HU,基本结构,预训练,EfficientNet,B4,网络特征,特征编码,编码器,解码器,不同深度,深层特征,融合特征,特征预测,多损失函数,深层语义信息,鉴别力,通道注意力模块,模型筛选,BOT,SEED,DICE,DeepLabv3+,计算机图像处理,分割算法
AB值：
0.352466
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。
