基于Dilated U-Net的甲状腺结节超声图像分割
通过对甲状腺结节超声图像的分割,可以确定出结节的边界,从而获得病灶部位的相关信息,进而达到对甲状腺结节进行自动化诊断的目的.大多数的基于深度学习的分割方法,大都不能使图像不同层次的特征信息得到充分利用,在通道融合过程中,一般都是在信道维度上直接进行特征图的拼接,而忽略了深层和浅层特征的重要性.为了解决以上问题,本文采用一种新的深度学习网络模型(Dilated U-Net),对甲状腺结节超声图像进行分割.由于甲状腺超声影像中存在大量的冗余信息,导致模型计算效率下降,Dilated U-Net在编码路径每个阶段汇合中,使用除了一般卷积方法的两个卷积之外,还有一个空洞卷积路径的双通路结构,能够迅速地预测增强后的甲状腺结节数据集,并在此基础上对甲状腺结节进行标记分割.实验结果证明了该方法在甲状腺结节超声图像分割的有效性和准确性.
Dilated U-Net、甲状腺结节、图像分割、深度学习
19
TP18(自动化基础理论)
皖南医学院国家级大学生创新创业训练计划项目;皖南医学院大学生科研资助金项目
2023-09-26（万方平台首次上网日期，不代表论文的发表时间）
共5页
14-17,21
