基于SegFormer的超声影像图像分割
超声影像分割既是医学影像图像处理的重要环节,也是临床诊断的常用技术手段.文中提出将SegFormer网络模型用于实现医学超声影像图像的精准分割.一方面,将超声标签图转化为单通道形式,并对其进行二值化处理,以完成对数据集图像的预处理;另一方面,采用迁移学习的方式载入预训练模型,用于微调已经训练好的模型参数,并选用带有动量的随机梯度下降优化器来加速收敛速度及减小震荡.与FCN,UNet和DeepLabV3的对比实验结果表明,该模型在乳腺结节超声影像数据集上的各项评估指标均为最优,mIoU,Acc,DSC和Kappa分别为81.32%,96.22%,88.91%和77.85%.实验结果还表明,该模型在不同超声影像数据集中表现出了良好的鲁棒性.
SegFormer、图像分割、超声影像、Transformer
50
TP391(计算技术、计算机技术)
2023-09-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
404-409