典型文献
基于U-Net改进模型的多模态脑肿瘤分割方法
文献摘要：
诊断脑肿瘤时,如果能从多种模态的核磁共振成像(MRI)图像中精准分割出脑肿瘤区域,将有助于医生快速和准确的诊断.针对分割脑肿瘤时出现的边界分割不精准问题,该文提出了一种基于U-Net改进模型的脑肿瘤分割方法.该方法将U-Net每级编码器的特征图保留,来捕获分割目标的边界细节信息,进而对保留的特征图采用自注意力模块计算通道级别注意力,加强分割目标的边界空间信息提取,最后使用尺度融合模块统一特征图的尺度和通道数,来融合分割目标的边界信息,作为解码器的输入,从而提高分割性能.该方法在BRATS2017数据集上进行训练和测试,在Dice、SE、SP三个评估指标的参考下,通过消融实验证明了融合多尺度模块和自注意力机制的有效性,并与U-Net、ResUNet、SGNet、RelayNet四种网络模型进行对比实验,表明由于融合了分割目标边界的细节和空间信息,该模型得到的分割区域更加接近真实脑肿瘤区域.
文献关键词：
脑肿瘤;U-Net;卷积神经网络;图像分割;多尺度策略;自注意力机制
中图分类号：
作者姓名：
黄莉;何美玲
作者机构：
武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;湖北省智能信息处理与实时工业系统重点实验室,湖北 武汉 430065
文献出处：
引用格式：
[1]黄莉;何美玲-.基于U-Net改进模型的多模态脑肿瘤分割方法)[J].计算机技术与发展,2022(11):58-63
A类：
BRATS2017,SGNet,RelayNet
B类：
改进模型,脑肿瘤分割,分割方法,核磁共振成像,割出,肿瘤区,界分,编码器,特征图,细节信息,自注意力模块,边界空间,空间信息,信息提取,通道数,融合分割,解码器,Dice,SE,SP,消融实验,多尺度模块,自注意力机制,ResUNet,图像分割,多尺度策略
AB值：
0.28497
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。
