典型文献
基于深度学习的脊椎CT图像分割
文献摘要：
脊椎CT图像分割是脊椎三维重建可视化的关键.针对脊椎CT图像中脊椎边缘模糊,结构复杂,形状多变等问题,基于深度学习方法提出一种双解码器网络.该网络在编码解码网络U-Net结构基础上增加了一条结构相同的并行解码分支,两个解码分支可以互补地提取图像特征.并且,在编码与解码之间加入双重特征融合模块,解决网络在下采样和上采样过程中造成的语义信息丢失问题.同时用密连混合卷积模块代替原始卷积模块,提高网络对多尺度特征的提取能力.此外加入高效注意力模块,使网络在空间上注重学习感兴趣区域,在通道上抑制无关信息.在CSI2014公开数据集上进行测试,Dice系数达到0.970,Jaccard系数达到0.945,召回率达到0.962.实验结果表明,该网络能够提高脊椎分割精度,具有较好的泛化能力,可以满足临床脊椎CT图像分割需求.
文献关键词：
脊椎分割;深度学习;双解码器网络;双重特征融合模块;密连混合卷积模块;高效注意力模块
中图分类号：
作者姓名：
黄昆;张俊华;普钟
作者机构：
云南大学信息学院 昆明650500
文献出处：
引用格式：
[1]黄昆;张俊华;普钟-.基于深度学习的脊椎CT图像分割)[J].电子测量技术,2022(20):151-159
A类：
双解码器网络,双重特征融合模块,密连混合卷积模块,连混,高效注意力模块,CSI2014,脊椎分割
B类：
图像分割,三维重建,深度学习方法,在编,编码解码网络,Net,图像特征,编码与解码,下采样,上采样,语义信息,信息丢失,多尺度特征,特征的提取,外加,重学,感兴趣区域,公开数据集,Dice,Jaccard,召回率,泛化能力
AB值：
0.178134
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。
