10.19678/j.issn.1000-3428.0065772
用于颈椎MRI分割的多尺度特征融合注意力网络模型
近年来,基于深度学习的医学图像辅助诊断逐渐成为主流,但常见的医疗锥体分割模型缺乏对颈椎细节信息的提取,导致锥体分割不完整或边缘相对模糊.为了提高颈椎MRI图像的分割精度,基于ResNet构建一种多尺度特征融合注意力(MSFFA)网络模型.利用多尺度注意力模块融合不同感受野进行注意力特征增强,同时为了降低特征信息融合的损耗,采用跨尺度特征融合模块进行相似域和边缘域特征增强,最终将原始样本的特征信息整合到分割结果中进行细节增强,进一步优化模型分割性能.实验结果表明,MSFFA模型相比于U-Net、AttUNet等模型分割得到的颈椎结构更完整、边缘更平滑,同时在腰椎分割中也能取得更精确的分割结果,并且相比于最优对照模型DeepLabv3+,Dice相似系数的均值提升了1.05个百分点.
颈椎分割、注意力机制、多尺度融合、特征增强、卷积神经网络
49
TP183(自动化基础理论)
国家自然科学基金;西南石油大学创新基金
2023-10-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
298-304,312