基于双解码路径DD-UNet的脑肿瘤图像分割算法

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：针对医学图像中病灶区域尺度不一、边界模糊和周围组织强度不均匀所导致的分割精度降低问题,提出了一种基于双解码器的脑肿瘤图像分割模型.为了增强特征的表征力,提出了高阶微分残差模块并使用不同空洞率的扩张卷积用于提取特征编码,提高了网络模型的分割性能;引入上下文语义信息感知模块(multi scale dilation,MSD),从不同的目标尺度中提取更多的精细信息,提高了对结构细节信息的捕获能力,同时减少了编解码器之间的特征差异;在空间解码路径中使用选择性聚合空间注意力模块(spatial aggregation attention module,SAAM),增加了对有效空间特征的权重比例,减少了无效的特征干扰.在脑肿瘤数据集上进行了实验验证,实验结果表明,所提算法的Dice系数、平均交并比、敏感性、特异性、准确率等指标分别为:93.35％、90.71％、91.15％、99.94％、96.75％.

外文标题：Brain tumor image segmentation algorithm based on dual decoding path DDD-UNet

作者：

苏赋、方东、王龙业、高思萱、张凯信、敬梁

展开 >

作者单位：

西南石油大学电气信息学院,四川成都610500

西南石油大学经济管理学院,四川成都610500

关键词：

MRI脑肿瘤分割双路径U-Net 高阶残差注意力机制上下文语义感知

基金：

成都市国际科技合作项目

项目编号：

2020-GH02-00016-HZ

出版年：

2023

DOI：

10.16136/j.joel.2023.03.0203

光电子·激光

天津理工大学中国光学学会

光电子·激光

CSCD北大核心

影响因子：1.437

ISSN：1005-0086

年,卷(期)：2023.34(3)

参考文献量5