典型文献
基于同构化改进的U-Net结直肠息肉分割方法
文献摘要：
结肠镜检查广泛应用于结直肠癌的早期筛查和诊疗,但仅靠人工判读结肠息肉漏检率较高,有研究统计可达25％.基于深度学习的计算机辅助技术有助于提高息肉检测率,但目前深度学习的主流分割网络U-Net存在着两个局限:一是编解码的输出特征图之间存在着语义鸿沟;二是U-Net的双层卷积单元无法学习多尺度信息;割裂地看待容易使模型陷入局部最优.提出一种基于同构化改进的U-Net网络,不仅能缓解编解码特征间的语义鸿沟,且具备提取多尺度特征的能力.首先,在U-Net编解码器和跳层路径中,引入同构单元IU构成同构网络I-Net,以减少编解码器之间的语义鸿沟;接着,结合密集连接和残差连接的优点,设计密集残差单元DRU以学习多尺度信息;最后,将同构网络的处理单元初始化为密集单元,构成基于密集残差单元的同构网络DRI-Net.使用包含612幅结直肠镜息肉图像的公开数据集CVC-ClinicDB,采用5折交叉验证评估所提出的模型,DRI-Net可得Dice系数为90.06％,交并比(IoU)为85.52％,与U-Net相比,Dice系数提升8.50％,IoU提升11.03％.此外,在国际ISIC2017皮肤镜挑战数据集上验证模型在其他模态数据的泛化性,2 000幅训练,600幅测试,获得的Dice系数为86.57％,IoU为79.20％,与ISIC 2017排行榜第一名的方法相比,Dice系数提升1.67％,IoU提升2.70％.实验表明,DRI-Net能有效解决U-Net存在的局限,且泛化性良好.
文献关键词：
息肉分割;深度学习;同构网络
中图分类号：
作者姓名：
沈志强;林超男;潘林;聂炜宇;裴玥;黄立勤;郑绍华
作者机构：
福州大学物理与信息工程学院,福州 350108
文献出处：
引用格式：
[1]沈志强;林超男;潘林;聂炜宇;裴玥;黄立勤;郑绍华-.基于同构化改进的U-Net结直肠息肉分割方法)[J].中国生物医学工程学报,2022(01):48-56
A类：
B类：
同构化,Net,结直肠息肉,息肉分割,分割方法,结肠镜检查,结直肠癌,早期筛查,仅靠,判读,结肠息肉,漏检率,计算机辅助技术,高息,检测率,分割网络,特征图,语义鸿沟,多尺度信息,割裂,局部最优,多尺度特征,编解码器,IU,同构网络,密集连接,残差连接,密集残差,残差单元,DRU,处理单元,元初,初始化,DRI,结直肠镜,公开数据集,CVC,ClinicDB,交叉验证,验证评估,评估所,Dice,交并比,IoU,ISIC2017,皮肤镜,验证模型,泛化性,排行榜,第一名
AB值：
0.353605
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。
