典型文献
一种编码约束的医学图像分割方法
文献摘要：
深度学习的优势在于其具有深层次的特征提取结构,而随着层数的增加以及激活函数的影响往往会导致其编码能力下降.基于此本文提出了一种基于U-Net和FCN网络进行编码约束的方法,并应用到医学图像分割上.编码约束结构以U-Net和FCN全卷积网络模型架构为主体,对网络最后一层使用Sigmoid激活函数的1×1卷积层进行特征约束,通过将特征值向0.5靠近预防Sigmoid激活函数产生的梯度消失问题,同时要求特征值不能集中在0.5附近,最终在保持特征区分度的前提下规范编码值,进而提升网络编码能力.本文在Finding lungs in CT二维肺部分割数据集和肝脏数据集上分别进行了实验,实验结果表明本文方法能够有效的预防梯度消失的同时提升全卷积网络特征的编码能力,进而能有效地提升分割性能.
文献关键词：
深度学习;医学图像分割;编码约束;激活函数
中图分类号：
作者姓名：
杨红菊;牛俊峰;陈庚峰
作者机构：
山西大学 计算机与信息技术学院,太原030006;山西大学 计算智能与中文信息处理教育部重点实验室,太原030006
文献出处：
引用格式：
[1]杨红菊;牛俊峰;陈庚峰-.一种编码约束的医学图像分割方法)[J].小型微型计算机系统,2022(02):349-354
A类：
编码约束
B类：
医学图像分割,分割方法,层数,激活函数,编码能力,Net,FCN,割上,约束结构,全卷积网络模型,模型架构,Sigmoid,卷积层,层进,特征约束,梯度消失,保持特征,特征区,区分度,网络编码,Finding,lungs,网络特征
AB值：
0.315752
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。
