典型文献
基于自注意力的双通路全脊柱X光图像分割模型
文献摘要：
全脊柱X光图像(包含脊柱、骶骨及髂骨)分割是目前脊椎疾病智能诊断中首要关键的环节.针对U-Net语义分割算法在全脊柱X光图像多区域分割精度较差的问题,提出一种双通道语义分割算法DAU-Net,通过空间通道与语义通道分别学习空间信息特征与图像语义特征,并在解码器端对两类特征进行融合,获取脊柱X光图像中更精准的分割边界.在空间通道中,使用空洞卷积及残差模块扩大视野域并保留更多远端特征信息.此外,将自注意力机制引入语义通道,并设计不同的自注意力编码与自注意力解码模块构建全局关联信息,实现对多个目标骨骼区域语义分割.实验结果表明,DAU-Net能够有效提高脊柱X光图像上的分割精度,相比U-Net、ResU-Net、Attention U-Net、U-Net++,Dice系数分别提高4.00％、1.90％、4.60％、1.19％.
文献关键词：
脊柱图像分割;U-Net;语义分割;双通道网络;自注意力机制
中图分类号：
作者姓名：
师文博;杨环;西永明;段文玉;徐同帅;杜钰堃
作者机构：
青岛大学计算机科学技术学院,山东青岛266071;青岛大学附属医院崂山院区脊柱外科,山东青岛266000
文献出处：
引用格式：
[1]师文博;杨环;西永明;段文玉;徐同帅;杜钰堃-.基于自注意力的双通路全脊柱X光图像分割模型)[J].中国医学物理学杂志,2022(11):1385-1392
A类：
多区域分割,语义通道
B类：
双通路,全脊柱,分割模型,骶骨,髂骨,脊椎疾病,智能诊断,语义分割,分割算法,DAU,学习空间,空间信息特征,语义特征,解码器,割边,空洞卷积,残差模块,大视野,远端,特征信息,自注意力机制,全局关联,联信,ResU,Attention,Net++,Dice,脊柱图像分割,双通道网络
AB值：
0.347041
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。
