典型文献
融合深度残差结构的Dense-UNet脑肿瘤分割
文献摘要：
针对医学图像分割中上下文信息联系匮乏和网络过深导致分割精度低的问题,提出了一种基于改进UNet的脑肿瘤图像分割算法.嵌套残差连接,组成一种深度监督网络模型,用密集跳跃连接替换UNet传统的连接方式,减小编码路径和解码路径特征图之间的语义差距.在残差模块中加入了注意力机制和软阈值化函数,有效降低图像噪声,减少了网络梯度的弥散程度.实验结果在全肿瘤区域(WT)Dice系数为0.846,肿瘤核心区域(TC)Dice系数为0.813,肿瘤增强区域(ET)Dice系数为0.804.验证结果表明,该方法能在复杂情况下对脑部肿瘤模糊边界进行精细分割,提高分割精度.
文献关键词：
图像分割;脑部肿瘤;Dense-UNet;深度残差收缩网络
中图分类号：
作者姓名：
王莹;朱家明;徐婷宜;宋枭
作者机构：
扬州大学信息工程学院,江苏扬州 225009
文献出处：
引用格式：
[1]王莹;朱家明;徐婷宜;宋枭-.融合深度残差结构的Dense-UNet脑肿瘤分割)[J].无线电工程,2022(09):1566-1573
A类：
B类：
深度残差结构,Dense,UNet,脑肿瘤分割,医学图像分割,上下文信息,脑肿瘤图像分割,图像分割算法,嵌套,残差连接,深度监督,监督网络,密集跳跃连接,接替,连接方式,编码路径,解码,特征图,残差模块,注意力机制,软阈值化,图像噪声,弥散,肿瘤区,WT,Dice,核心区域,ET,复杂情况,脑部肿瘤,精细分割,深度残差收缩网络
AB值：
0.443805
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。
