基于内卷U-Net的医学图像分割模型

摘要：

图像分割技术的主要对象为自然图像和医学图像,相对于自然图像而言,医学图像的语义分割通常需要较高的精度以进行下一步的临床分析、诊断和规划治疗.目前用于医学图像语义分割的深度神经网络模型由于仅考虑位置的平移不变性,存在局部感受野较小、无法表达长范围依赖关系的问题.设计一种面向医学图像的分割模型,基于内卷U-Net网络,使用内卷操作代替传统的卷积操作,并将内卷结构作为基本的网络结构,提升模型对医学图像局部特征的学习能力.在模型的瓶颈层引入注意力机制模块来学习图像长范围的依赖关系,以提高医学图像语义分割的精度.在肺部CT数据集上的实验结果表明,该模型的Dice系数为0.998,较基于卷积神经网络的分割模型约提高5％,并且大幅缩短Hausdorff距离,具有更高的分割准确度以及较好的稳健性.

关键词：图像分割、内卷网络、图像处理、注意力机制、U-Net网络

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：浙江省公益基础项目;浙江省医药卫生项目

在线出版日期：2022-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：180-186