典型文献
基于双向循环U-Net模型的脑卒中病灶分割方法
文献摘要：
脑卒中具有极高致残率和致死率,研究脑卒中病变的自动识别和分割方法具有重要的临床意义.提出一种基于双向循环 U-Net(BIRU-Net)模型的病灶分割方法.首先,引入循环神经网络结构,将改进的注意力卷积门递归单元(ACGRU)替代 U-Net 中的部分卷积层,使分割模型既适用于小规模标注的医学影像数据集,又具有长时记忆特性;其次,采用双路融合训练机制,将单一视面的正向、反向的切片数据同时输入 BIRU-Net,并在模型前向传播过程实现双向特征融合,有效利用了切片序列的双向依赖特性.最后,将各单一视面的分割结果进行再融合,有效利用了数据的空间上下文信息.对于ATLAS 数据集的实验结果表明,所提方法的DSC 值达到了 62.58％,与现阶段的其他方法相比,本文的方法能较为准确地分割出病灶区域.
文献关键词：
深度学习;脑卒中病灶分割;CGRU;U-Net;双向特征融合;多视面融合
中图分类号：
作者姓名：
贾小慧;张雪英;王夙喆;回海生;李凤莲;张华
作者机构：
太原理工大学 信息与计算机学院,太原 030024;山西医科大学第一医院 影像科,太原 030024
文献出处：
引用格式：
[1]贾小慧;张雪英;王夙喆;回海生;李凤莲;张华-.基于双向循环U-Net模型的脑卒中病灶分割方法)[J].太原理工大学学报,2022(06):1127-1133
A类：
脑卒中病灶分割,BIRU,ACGRU,多视面融合
B类：
双向循环,Net,分割方法,高致,致残率,致死率,自动识别,循环神经网络,神经网络结构,递归,分卷,卷积层,分割模型,小规模,医学影像,影像数据,长时记忆,记忆特性,双路,融合训练,训练机制,传播过程,双向特征融合,赖特,再融合,空间上下文,上下文信息,ATLAS,DSC,其他方法,割出
AB值：
0.34747
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。
