典型文献
基于Unet的多任务医学图像语义分割模型
文献摘要：
深度学习网络在医学图像分割领域应用广泛,传统语义分割模型只考虑局部像素点,在小目标的医学图像语义分割中检测精度不高.提出了基于Unet的双任务图像语义分割模型,对传统的Unet语义分割进行改进,编码阶段采用经过预训练的Resnet34作为框架进行特征提取,设计了SCSE模块对图像特征信息进行修正,从空间和通道两个方向获取图像的全局信息,损失函数采用"分类"和"分割"融合的多任务策略进行学习,对气胸医学图像进行语义分割.为进一步提高网络模型的泛化能力,对数据集图像进行随机水平翻转、垂直翻转等图像增强处理.实验表明该语义分割方法比传统的Unet语义分割方法在分割精度上提高5%以上.
文献关键词：
语义分割;气胸医学图像;多任务
中图分类号：
作者姓名：
沈旭东;楼平;吴湘莲;朱立妙;雷英栋
作者机构：
嘉兴职业技术学院智能制造学院,浙江 嘉兴314036;同济大学浙江学院机械与汽车系,浙江 嘉兴314051
文献出处：
引用格式：
[1]沈旭东;楼平;吴湘莲;朱立妙;雷英栋-.基于Unet的多任务医学图像语义分割模型)[J].电子器件,2022(03):618-622
A类：
SCSE,气胸医学图像
B类：
Unet,多任务,医学图像语义分割,分割模型,深度学习网络,医学图像分割,像素点,小目标,检测精度,双任务,割进,预训练,Resnet34,图像特征,特征信息,全局信息,损失函数,泛化能力,垂直翻转,图像增强处理,分割方法
AB值：
0.28053
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。
