典型文献
融合边缘增强注意力机制和U-Net网络的医学图像分割
文献摘要：
医学图像分割是医学图像处理领域中的关键步骤,随着深度学习技术的逐步深入,图像分割技术有了突飞猛进的发展.然而,在分割过程中,病灶特征的边缘像素点划分仍存在模糊、不准确的问题.为此,提出一种边缘增强的注意力模块(CEA),分别进行水平和垂直2个不同方向的特征编码捕获位置信息,并通过计算位置特征和输入特征之间的偏移量加强边缘信息.将该模块应用基于U-Net的医学图像分割网络中,可突破卷积核的空间限制,捕获具有位置感知的跨通道信息及更加明确的边缘轮廓信息,从而提高分割的准确性.在公开数据集Kvasir-SEG上的定量对比实验表明,加入注意力模块的网络在Dice、精确度、召回率等指标上均取得了更好的结果,可有效改善医学图像分割效果.
文献关键词：
医学图像分割;位置信息;注意力机制;边缘轮廓;边界差异
中图分类号：
作者姓名：
李翠云;白静;郑凉
作者机构：
北方民族大学计算机科学与工程学院,宁夏 银川 750021;国家民委图像图形智能处理实验室,宁夏 银川 750021
文献出处：
引用格式：
[1]李翠云;白静;郑凉-.融合边缘增强注意力机制和U-Net网络的医学图像分割)[J].图学学报,2022(02):273-278
A类：
B类：
边缘增强,注意力机制,Net,医学图像分割,医学图像处理,关键步骤,深度学习技术,突飞猛进,割过,像素点,注意力模块,CEA,同方向,特征编码,位置信息,位置特征,输入特征,偏移量,边缘信息,分割网络,卷积核,位置感知,跨通道,边缘轮廓,公开数据集,Kvasir,SEG,定量对比,Dice,召回率,分割效果,边界差异
AB值：
0.411476
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。
