10.19678/j.issn.1000-3428.0057330
基于深度特征聚合网络的医学图像分割
利用卷积神经网络(CNN)进行医学图像分割时,通常将分割问题抽象为特征表示和参数优化问题,但在上采样和下采样过程中容易丢失特征信息,导致分割效果不理想.设计包含三级特征表示层和特征聚合模块的深度特征聚合网络结构DFA-Net.通过三级特征表示层提取基础特征同时聚合中间特征和深层特征,从而以聚合深层特征弥补CNN上采样与下采样的特征损失.利用特征聚合模块聚合并激活浅层特征和深层特征,根据两者的互补信息分别做精细化调整.在脑图像和眼底图像公开数据集上的实验结果表明,DFA-Net能够充分利用深层特征与浅层特征的信息互补性处理分割结果中的孤立像素点,避免上采样与下采样引起的信息损失,其分割精度较U-net、Unet++、SegNet和LadderNet等方法均有所提高.
脑图像分割、眼底图像分割、特征聚合、特征表示、卷积神经网络
47
TP391(计算技术、计算机技术)
国家自然科学基金;浙江省大学生科研创新活动计划
2021-05-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
187-196