典型文献
基于U-Net++和对抗性学习网络的乳腺肿块分割
文献摘要：
研究一种精确、可靠的乳腺病灶分割算法,从钼靶图像中提取肿块区域,以用于乳腺疾病的精细诊断.为了有效增强分割结果的高阶一致性,在网络框架中引入对抗网络,网络框架主要由分割网络和判别网络组成.采用改进的U-Net++网络作为分割网络,生成乳腺肿块分割图谱(掩码),而判别网络对分割产生的掩码和真实的掩码进行识别,进一步增强分割网络的性能.在公开数据集(CBIS-DDSM)上验证所提方法的有效性.实验结果显示,所提方法得到的特异性、敏感度、准确性、Dice系数分别为99.7％、90.4％、98％、91％,高于现有其他经典算法.改进模型(U-Net++)与生成对抗网络相结合的深度学习算法可提高钼靶图像中对乳腺肿块的分割性能.
文献关键词：
乳腺肿块分割;深度学习;U-Net++网络;对抗学习
中图分类号：
作者姓名：
谢远志;闫士举;魏高峰;杨林英
作者机构：
上海理工大学医疗器械与食品学院,上海200093;海军军医大学热带医学研究院,上海200025
文献出处：
引用格式：
[1]谢远志;闫士举;魏高峰;杨林英-.基于U-Net++和对抗性学习网络的乳腺肿块分割)[J].激光与光电子学进展,2022(16):380-386
A类：
乳腺肿块分割
B类：
Net++,对抗性,学习网络,乳腺病灶,病灶分割,分割算法,钼靶,乳腺疾病,网络框架,分割网络,判别网络,掩码,公开数据集,CBIS,DDSM,Dice,改进模型,生成对抗网络,深度学习算法,对抗学习
AB值：
0.303809
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。
