轻量化FCU-net的皮肤病灶分割

针对很多现有神经网络结构中存在运算次数高、内存占用大和模型训练耗时的缺点以及处理医学图像的病灶分割时信息表达能力不强、分割精度不高的情况,本文提出一种全卷积结构的轻量级网络FCU-net。该方法以U-net模型为基础,将深度可分离卷积代替模型中的标准卷积,实现模型的轻量化表示,同时在下采样时使用步长为2的卷积层替代最大池化层,在不损失精度的情况下扩大感受野,增强高级语义信息的表征能力,实现对病灶的精确分割。在皮肤图像数据集PH2上测试的实验结果表明,FCU-net模型在皮肤病灶分割任务中表现突出,相比U-net,参数量减少了约1/5,分割评价系数Dice的值提高了2.41%,计算消耗节省了87.5%,充分验证了本文分割算法的有效性。