典型文献
基于深度学习的CT图像肺气管分割
文献摘要：
根据肺部计算机横断扫描(computed tomography,CT)图像准确提取肺气管对肺呼吸功能测定和疾病诊断具有重要意义.现有的肺气管分割方法需要依赖大量人机交互才能提升分割精度,而深度学习在医学图像处理领域有比较广泛的应用,尤其是在肺部结节检测和良恶性诊断方面,但深度学习用于肺部CT图像的肺气管分割由于图像噪声和部分容积效应的影响会造成肺气管分割的泄漏,难以分割出微小的气管.原始肺部CT图像中包含骨骼、病床等非感兴趣区域,处理数据量的增大会消耗更多的数据处理时间,且极易造成误差.利用肺气管树的解剖结构信息,对肺气管分割采用分步处理,提出了一种基于Attention-Unet的肺气管分割方法.实验结果表明,将基于深度学习的Attention-Unet网络应用于肺部CT图像的肺气管分割,能提高分割的速度和精度,并有效防止泄漏.
文献关键词：
深度学习;肺实质分割;肺气管分割;Attention-Unet网络
中图分类号：
作者姓名：
程立英;王晓伟;刘祖琛;汪浩;覃文军
作者机构：
沈阳师范大学物理科学与技术学院,沈阳 110034;东北大学 医学影像智能计算教育部重点实验室,沈阳 110189
文献出处：
引用格式：
[1]程立英;王晓伟;刘祖琛;汪浩;覃文军-.基于深度学习的CT图像肺气管分割)[J].沈阳师范大学学报（自然科学版）,2022(06):558-564
A类：
肺气管分割
B类：
computed,tomography,肺呼吸功能,疾病诊断,分割方法,人机交互,医学图像处理,肺部结节,良恶性诊断,习用,图像噪声,容积效应,割出,病床,感兴趣区域,数据量,数据处理时间,解剖结构,结构信息,分步,Attention,Unet,网络应用,肺实质分割
AB值：
0.296749
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。
