10.3969/j.issn.0258-8021.2023.04.006
LMD-UNet网络在脑肿瘤多模态MRI图像分割中的应用
UNet网络中编解码器对应的特征图之间存在语义鸿沟,其双卷积层无法学习多尺度信息,造成部分特征信息丢失,影响MRI图像分割效果.针对这一缺陷,本研究提出一种新的图像分割网络局部残差融合多尺度双分支网络LMD-UNet.在编码流程,网络采用局部特征残差融合密集块和多尺度卷积模块,扩大影像感受野并优化底层视觉特征的传播;在解码流程,网络采用双分支卷积的方式生成新的高级语义特征,以此来重建编码路径中损失的信息.利用公开脑肿瘤数据集BraTs的335例病例做分割实验,并将分割结果与现阶段主流分割网络UNet进行对比.结果显示,LMD-UNet模型的Precision、Dice、95%HD、Recall等4项客观评价指标分别达到0.933、0.921、0.702和0.966,相较于UNet,对应指标分别提升了 6.3%、5.7%、1.8%和6.1%.研究表明,LMD-UNet能够实现更精细的脑肿瘤图像分割.此外,所提出的方法对于细节部分边缘轮廓的分割也有较好的效果,能够为脑肿瘤诊断和手术提供保障.
肿瘤图像分割、多尺度卷积、密集块、双分支卷积
42
R318(医用一般科学)
国家重点研发计划;江苏省产学研基金项目
2023-11-10(万方平台首次上网日期,不代表论文的发表时间)
共11页
431-441