基于改进U型神经网络的脑出血CT图像分割

• 作者: 胡敏 周秀东 黄宏程 张光华 陶洋
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 脑出血CT图像分割 注意力机制 Dice损失函数 残差八度卷积模块
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 深度学习与智慧医疗专题|Special Topic on Deep Learning and Smart Mdicine
• 页码范围: 127-137
• 页数: 11页
• 分类号: TN911.73|TP391.41
• 语种: 中文
• DOI: 10.11999/JEIT200996

摘要

针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+).首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度.为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net,Attention U-Net,UNet++以及CE-Net相比,mIoU指标分别提升了20.9％,3.6％,7.0％,3.1％,表明AU-Net+模型具有更好的分割效果.