针对现有皮肤镜图像分割技术分割精度不高的问题,提出了一种基于多尺度信息提取和特征融合的U型网络(multi-scale information extraction and feature fusion U-shaped network,MF-UNet)模型。在U-Net的基础上,在卷积层后加入批归一化...针对现有皮肤镜图像分割技术分割精度不高的问题,提出了一种基于多尺度信息提取和特征融合的U型网络(multi-scale information extraction and feature fusion U-shaped network,MF-UNet)模型。在U-Net的基础上,在卷积层后加入批归一化层,将原本的跳跃连接部分替换为4级特征融合模块,充分利用语义信息和位置信息,在特征提取端末尾加入多尺度空洞卷积模块和多尺度池化模块,增大感受野,利用双路拼接上采样模块进行上采样,减少图像恢复过程中的信息损失。实验表明,相较于U-Net模型,MF-UNet在平均交并比(mean intersection over union,MIoU)上提升了14.32%,在戴斯相似系数(Dice similarity coefficient,DSC)上提升了13.18%,取得了较好的结果。该研究为计算机技术辅助医生进行皮肤病诊断提供了借鉴。展开更多
医学图像的自动分割对于计算机辅助诊断具有重要意义。针对皮肤镜图像分割任务中,本文提出一种RA-UNet(Residual and Attentional-UNet)的分割方法。将原本的网络结构加深,在编码端卷积层引入残差机制减少信息丢失同时防止梯度消失或爆...医学图像的自动分割对于计算机辅助诊断具有重要意义。针对皮肤镜图像分割任务中,本文提出一种RA-UNet(Residual and Attentional-UNet)的分割方法。将原本的网络结构加深,在编码端卷积层引入残差机制减少信息丢失同时防止梯度消失或爆炸,每层采用两个残差特征提取模块充分提取学习特征;同时,每层引入改进的卷积注意力模块(Convolutional block attention block,CBAM)使模型更好地学习皮肤病理区域特征。在ISIC 2018数据集上对所提出的RA-UNet模型进行训练和测试,并与UNet和其他模型进行对比试验,实验结果中准确率(ACC)达到了93.82%,特异度(SP)达到了95.26%,灵敏度(SE)达到了90.78%,精准度(P)达到了90.04%,平均交并比(Miou)达到了86.89%,Dice相似指数(DSC)达到了0.900,整体优于其它模型。对于提高基于图像分析的皮肤病诊断具有一定的参考应用价值。展开更多
文摘针对现有皮肤镜图像分割技术分割精度不高的问题,提出了一种基于多尺度信息提取和特征融合的U型网络(multi-scale information extraction and feature fusion U-shaped network,MF-UNet)模型。在U-Net的基础上,在卷积层后加入批归一化层,将原本的跳跃连接部分替换为4级特征融合模块,充分利用语义信息和位置信息,在特征提取端末尾加入多尺度空洞卷积模块和多尺度池化模块,增大感受野,利用双路拼接上采样模块进行上采样,减少图像恢复过程中的信息损失。实验表明,相较于U-Net模型,MF-UNet在平均交并比(mean intersection over union,MIoU)上提升了14.32%,在戴斯相似系数(Dice similarity coefficient,DSC)上提升了13.18%,取得了较好的结果。该研究为计算机技术辅助医生进行皮肤病诊断提供了借鉴。
