基于改进U型神经网络的脑出血CT图像分割
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+).首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度.为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net,Attention U-Net,UNet++以及CE-Net相比,mIoU指标分别提升了20.9%,3.6%,7.0%,3.1%,表明AU-Net+模型具有更好的分割效果.
脑出血CT图像分割;注意力机制;Dice损失函数;残差八度卷积模块
44
TN911.73;TP391.41
国家重点研发计划;山西省回国留学人员科研项目
2022-02-18(万方平台首次上网日期,不代表论文的发表时间)
共11页
127-137