基于同构化改进的U-Net结直肠息肉分割方法
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

10.3969/j.issn.0258-8021.2022.01.006

基于同构化改进的U-Net结直肠息肉分割方法

引用
结肠镜检查广泛应用于结直肠癌的早期筛查和诊疗,但仅靠人工判读结肠息肉漏检率较高,有研究统计可达25%.基于深度学习的计算机辅助技术有助于提高息肉检测率,但目前深度学习的主流分割网络U-Net存在着两个局限:一是编解码的输出特征图之间存在着语义鸿沟;二是U-Net的双层卷积单元无法学习多尺度信息;割裂地看待容易使模型陷入局部最优.提出一种基于同构化改进的U-Net网络,不仅能缓解编解码特征间的语义鸿沟,且具备提取多尺度特征的能力.首先,在U-Net编解码器和跳层路径中,引入同构单元IU构成同构网络I-Net,以减少编解码器之间的语义鸿沟;接着,结合密集连接和残差连接的优点,设计密集残差单元DRU以学习多尺度信息;最后,将同构网络的处理单元初始化为密集单元,构成基于密集残差单元的同构网络DRI-Net.使用包含612幅结直肠镜息肉图像的公开数据集CVC-ClinicDB,采用5折交叉验证评估所提出的模型,DRI-Net可得Dice系数为90.06%,交并比(IoU)为85.52%,与U-Net相比,Dice系数提升8.50%,IoU提升11.03%.此外,在国际ISIC2017皮肤镜挑战数据集上验证模型在其他模态数据的泛化性,2 000幅训练,600幅测试,获得的Dice系数为86.57%,IoU为79.20%,与ISIC 2017排行榜第一名的方法相比,Dice系数提升1.67%,IoU提升2.70%.实验表明,DRI-Net能有效解决U-Net存在的局限,且泛化性良好.

息肉分割、深度学习、同构网络

41

R318(医用一般科学)

福建省自然科学基金2020J01472

2022-04-20(万方平台首次上网日期,不代表论文的发表时间)

共9页

48-56

相关文献
评论
暂无封面信息
查看本期封面目录

中国生物医学工程学报

0258-8021

11-2057/R

41

2022,41(1)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn