基于U-Net网络的医学图像分割研究综述

摘要：

近年来随着深度学习技术的快速发展,卷积神经网络(CNN)成为语义分割的重要支撑框架,被广泛运用于多种目标检测与分割的任务当中.在医学图像分割任务中,U-Net网络以其优异的分割性能、可拓展性的网络结构等特点成为该领域研究的热点.如今有众多学者从网络的结构等方面对U-Net进行改进以优化网络性能、提升分割准确度.研究通过对相关文献的分析,首先介绍了基于U-Net的经典改进模型;然后阐述了六大U-Net改进机制:注意力机制、inception模块、残差结构、空洞机制、密集连接结构以及集成网络结构;随后介绍了医学图像分割常用评价指标和非结构化改进方案,这些非结构化改进方法包括数据增强、优化器、激活函数和损失函数四个方面;之后列举并分析了在肺结节、视网膜血管、皮肤病和颅内肿瘤新冠肺炎四大医学图像分割领域的改进模型;最后对U-Net网络的未来发展进行展望,为相关研究提供思路.

关键词：医学图像分割、深度学习、人工智能、U-Net、卷积神经网络

所属期刊栏目：34

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;江苏师范大学研究生科研与实践创新计划项目

在线出版日期：2024-01-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：9-16