典型文献
基于SENet注意力机制和深度残差网络的腹部动脉分割
文献摘要：
在医学诊断中,血管疾病的研究与治疗仍是影响人类健康的主要因素.由于人体腹部血管复杂且构造因人而异,这就对图像分割的研究以及临床应用带来了极大困难.所以,通过图像处理和深度学习等方法准确清晰地获取病人腹部动脉及其分支血管,在临床和术前诊断中发挥了重要作用.本文主要对腹部血管的大小、灰度、构造等基础医学知识进行学习,并深入研究了现有关于血管分割算法的优缺点.为解决深度卷积神经网络性能退化的问题,增强对目标信息的关注度并对不必要的特征信息进行抑制,本文提出一种基于squeeze-and-excitation networks(SENet)的注意力机制和深度残差网络的血管分割算法.并使用12例腹部CT数据进行实验验证:血管分割准确率可达90.48％,灵敏度、Dice、VOE、精确率分别为0.8995、0.8783、-0.1998、0.9104.因此,相比于传统方法,本实验所提方法具有更好的分割性能.
文献关键词：
腹部动脉分割;U-net网络;监督学习;残差网络;注意力机制
中图分类号：
作者姓名：
赵杰;李絮;申通
作者机构：
河北大学电子信息工程学院,保定071002
文献出处：
引用格式：
[1]赵杰;李絮;申通-.基于SENet注意力机制和深度残差网络的腹部动脉分割)[J].科学技术与工程,2022(22):9529-9536
A类：
腹部动脉分割
B类：
SENet,注意力机制,深度残差网络,医学诊断,因人而异,图像分割,术前诊断,灰度,基础医学,医学知识,血管分割,分割算法,深度卷积神经网络,网络性能,性能退化,目标信息,不必要,特征信息,squeeze,excitation,networks,Dice,VOE,精确率,实验所,监督学习
AB值：
0.324114
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。
