典型文献
基于改进U型神经网络的脑出血CT图像分割
文献摘要：
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+).首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度.为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net,Attention U-Net,UNet++以及CE-Net相比,mIoU指标分别提升了20.9％,3.6％,7.0％,3.1％,表明AU-Net+模型具有更好的分割效果.
文献关键词：
脑出血CT图像分割;注意力机制;Dice损失函数;残差八度卷积模块
中图分类号：
作者姓名：
胡敏;周秀东;黄宏程;张光华;陶洋
作者机构：
重庆邮电大学通信与信息工程学院 重庆 400065;重庆市通信软件工程技术研究中心 重庆 400065;太原学院计算机科学与工程系 太原 030000
文献出处：
引用格式：
[1]胡敏;周秀东;黄宏程;张光华;陶洋-.基于改进U型神经网络的脑出血CT图像分割)[J].电子与信息学报,2022(01):127-137
A类：
Net+,残差八度卷积模块
B类：
脑出血,图像分割,病灶部位,分割模型,AU,编码器,图像特征,特征编码,跳跃连接,不同层次,混合注意力机制,目标区域,特征提取能力,Dice,损失函数,小目标,特征学习,学习力,验证模型,图像数据集,Attention,UNet++,CE,mIoU,分割效果
AB值：
0.302698
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。
