多通道融合可分离卷积神经网络下的脑部磁共振图像分割
目的 卷积神经网络方法可以提取到图像的深层次信息特征,在脑部磁共振图像(M RI)分割领域展现出优秀的性能.但大部分深度学习方法都存在参数量大,边缘分割不准确的问题.为克服上述问题,本文提出一种多通道融合可分离卷积神经网络(MFSCNN)模型分割脑图像.方法 首先,在训练集中增加待分割脑结构及其边缘像素点的权重,强制使网络学习如何分割脑结构边缘部分,从而提升整体脑结构分割的准确率.其次,引入残差单元,以避免梯度弥散,同时使用深度可分离卷积代替原始的卷积层,在不改变网络每个阶段特征通道数的情况下,减少了网络训练的参数数量和训练时间,降低了训练成本.最后,将不同阶段的特征信息合并在一起,进行通道混洗,得到同时包含深浅层次信息的增强信息特征,加入到网络中进行训练,每个阶段的输入特征信息更丰富,学习特征的速度和收敛速度更快,显著地提升了网络的分割性能.结果 在IBSR(internet brain segmentation repositor)数据集上的分割结果表明,MFSCNN的分割性能相对于普通卷积神经网络(CNN)方法要明显提高,且在边缘复杂的部分,分割效果更理想,Dice和IOU(intersection over union)值分别提升了0.9％～6.6％,1.3％～9.7％.在边缘平滑的部分,MFSCNN方法比引入残差块的神经网络模型(ResCNN)和引入局部全连接模块的神经网络模型(DenseCNN)分割效果要好,而且MFSCNN的参数量仅为ResCNN的50％,DenseCNN的28％,在提升分割性能的同时,也降低了运算复杂度,缩短了训练时间.同时,在IBSR、Hammer67n20、LPBA40这3个数据集上,MFSCNN的分割性能比现有的其他主流方法更出色.结论 本文提出的MFSCNN方法,加强了网络特征的信息量,提升了网络模型的训练速度,在不同数据集上均获得更精确的MR脑部图像分割结果.
MR脑部图像分割、卷积神经网络、深度可分离卷积、多通道融合、通道混洗
24
TP751.1(遥感技术)
国家自然科学基金项目61871106
2019-12-11（万方平台首次上网日期，不代表论文的发表时间）
共12页
2009-2020
