典型文献
基于多模态特征融合的脑瘤图像分割方法
文献摘要：
针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略.首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督.所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估.在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1％,与较先进的算法U-Net和PA-Net相比多项指标均有提升.实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义.
文献关键词：
多模态图像;脑肿瘤;特征融合;医学图像分割;深度学习
中图分类号：
作者姓名：
方新林;方艳红;王迪
作者机构：
西南科技大学信息工程学院,四川绵阳621010
文献出处：
引用格式：
[1]方新林;方艳红;王迪-.基于多模态特征融合的脑瘤图像分割方法)[J].中国医学物理学杂志,2022(06):682-689
A类：
B类：
多模态特征融合,脑瘤,分割方法,医学图像分割,多模态图像,精确分割,编码器,解码器,总体架构,图像特征,融合策略,孪生网络,权值共享,网络参数,参数量,共性特征,密集跳跃连接,不同尺度,尺度特征,特征图,低级,高级语义信息,混合损失函数,真值,最高级,下采样,公开数据集,BraTS2019,区域分割,Dice,豪斯多夫距离,平均交并比,比达,Net,PA,多模态医学图像,分割效果,脑肿瘤,磁共振图像
AB值：
0.3564
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。
