典型文献
融合多层级特征的脑肿瘤图像分割方法
文献摘要：
针对脑肿瘤图像分割中网络模型信息损耗、上下文信息联系不足及网络泛化能力较差导致分割精度较低的问题,提出了一种新型的脑肿瘤图像分割方法,该方法是通过深度门控卷积模块(depth gate convolution,DGC)和特征增强模块(feature enhancement module,FEM)组成的多层级连接(multi-level connection,MC)脑肿瘤分割模型.采用深度卷积模块降低特征信息在逐层传递的信息损耗;使用控制门单元(control gate unit,CGU)实现各个尺度的特征图的MC,其中组合池化来减少下采样过程中的信息丢失;通过FEM增强分割区域的特征权重.实验结果表明,预测分割脑肿瘤的整体肿瘤区(whole tumor,WT)、核心肿瘤区(tumor core,TC)和增强肿瘤区(en-hancement tumor,ET)的 Dice 系数分别达到了 0.92、0.84 和 0.83,Hausdorff 距离达到了 0.77、1.50和0.92,脑肿瘤分割精度相较于当前较多方法分割精度和计算效率较高,具有良好的分割性能.
文献关键词：
脑肿瘤分割;门控机制;多层级连接(MC);组合池化;U-Net
中图分类号：
作者姓名：
孙劲光;陈倩
作者机构：
辽宁工程技术大学电子与信息工程学院,辽宁葫芦岛125105
文献出处：
引用格式：
[1]孙劲光;陈倩-.融合多层级特征的脑肿瘤图像分割方法)[J].光电子·激光,2022(11):1215-1224
A类：
组合池化
B类：
多层级特征,脑肿瘤图像分割,分割方法,中网,信息损耗,上下文信息,泛化能力,门控卷积,卷积模块,depth,gate,convolution,DGC,特征增强模块,feature,enhancement,module,FEM,multi,level,connection,MC,脑肿瘤分割,分割模型,深度卷积,特征信息,逐层,使用控制,control,unit,CGU,特征图,下采样,信息丢失,特征权重,肿瘤区,whole,tumor,WT,core,ET,Dice,Hausdorff,多方法,计算效率,门控机制,Net
AB值：
0.417074
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。
