典型文献
多尺度监督U-Net甲状腺结节超声图像分割
文献摘要：
针对甲状腺结节尺寸多变、超声图像结节边缘不清晰等特征导致人工诊断筛查过程中出现的误诊和漏诊的现象,提出了一种基于多尺度注意力的 MSA-UNet 甲状腺结节超声分割方法(mutil-scale attention UNet,MSA-UNet).该算法首先使用不同空洞率的空洞卷积提取甲状腺病灶特征信息,之后将不同尺度的特征信息进行特征融合,解决不同甲状腺结节大小对超声图像分割结果的影响.考虑到位置关系信息学习和深层次语义特征筛选后的特征对分割模型的影响,通过使用通道注意力机制使网络模型更加专注于更有用的特征信息,从而提高甲状腺结点的分割精度,实现病灶区域的精细分割.实验结果表明,该方法在甲状腺超声图像数据集上召回率达 87％,分割精度为86.1％,Dice 值为84.6％,较现有的深度学习方法有较高的提升,可为甲状腺结节的检测诊疗提供新的研究思路.
文献关键词：
图像分割;深度学习;注意力机制;神经网络;U 型网络
中图分类号：
作者姓名：
周晓松;赵涓涓
作者机构：
太原理工大学 信息与计算机学院,山西 晋中 030600
文献出处：
引用格式：
[1]周晓松;赵涓涓-.多尺度监督U-Net甲状腺结节超声图像分割)[J].太原理工大学学报,2022(06):1134-1142
A类：
mutil
B类：
甲状腺结节超声图像,超声图像分割,诊断筛查,查过,误诊,漏诊,多尺度注意力,MSA,UNet,分割方法,scale,attention,空洞率,空洞卷积,甲状腺病,特征信息,不同尺度,特征融合,决不,位置关系,信息学习,语义特征,特征筛选,分割模型,通道注意力机制,结点,精细分割,甲状腺超声图像,图像数据集,召回率,Dice,深度学习方法
AB值：
0.34099
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。
