典型文献
结合空洞可分离卷积的多尺度医学影像分割算法
文献摘要：
传统U-Net语义分割模型在医学影像领域具有广泛的应用,但该模型的准确率受限于单一尺度的预测模式以及上下采样引起的信息丢失.针对上述问题,本文基于U-Net编码—解码架构以及空洞可分离卷积提出了一种高低层级信息丰富的多尺度医学影像语义分割算法,该算法由特征提取网络以及多尺度语义分割预测网络两部分构成.特征提取网络使用空洞可分离卷积和类残差块分别替换原U-Net中上、下采样以及卷积块,在增加感受野的同时使信息得到最大化的保留;提出一个通道注意力机制,强化目标核心特征的表达以及无关背景区域的抑制;在多尺度上挖掘带有图像级全局上下文的卷积特征,进一步提高分割性能.本文在采集的胚胎以及DRIVE数据集上进行仿真实验,其结果表明,与U-Net及其衍生模型相比该方法具有更高的准确率和鲁棒性.
文献关键词：
医学影像;语义分割;空洞可分离卷积;通道注意力;多尺度预测
中图分类号：
作者姓名：
蒲逊;肖凌云;杨波;牛新征
作者机构：
四川通信科研规划设计有限责任公司,四川 成都 610041;电子科技大学 信息与软件工程学院,四川 成都 611731;电子科技大学 计算机科学与工程学院,四川 成都 611731
文献出处：
引用格式：
[1]蒲逊;肖凌云;杨波;牛新征-.结合空洞可分离卷积的多尺度医学影像分割算法)[J].太赫兹科学与电子信息学报,2022(10):1073-1080,1100
A类：
B类：
空洞可分离卷积,医学影像分割,分割算法,Net,语义分割,分割模型,受限于,一尺,预测模式,下采样,信息丢失,解码,低层,特征提取网络,预测网络,网络使用,残差块,别替,感受野,一个通,通道注意力机制,核心特征,背景区域,全局上下文,卷积特征,DRIVE,衍生模型,多尺度预测
AB值：
0.310207
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。
