检索结果-南通市图书馆

计算机工程与应用 2024年第11期60卷 32-49页

作者：崔珂田启川廉露北京建筑大学电气与信息工程学院北京100044

u-net简单高效的网络结构,被广泛应用于医学图像分割任务中,学者们针对u-net结构进行了很多的研究和改进。基于u-net网络结构的改进方法从以下方面进行归纳总结:总结了u-net网络在医学图像分割领域的关键挑战;归纳了常用于u-net网络的... 详细信息

u-net简单高效的网络结构,被广泛应用于医学图像分割任务中,学者们针对u-net结构进行了很多的研究和改进。基于u-net网络结构的改进方法从以下方面进行归纳总结:总结了u-net网络在医学图像分割领域的关键挑战;归纳了常用于u-net网络的医学图像数据集格式及特点;重点总结u-net和u-net变体算法六大改进机制:跳跃连接机制、生成对抗网络、残差连接机制、3D-unet、Transformer机制、密集连接机制。最后,探讨六大改进机制与常用医学数据之间的关系,并指出未来改进思路和方向,激发u-net在医学图像分割的无限潜力。

关键词： u-net变体医学图像分割语义分割深度学习改进机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于u-net与Transformer结合的多模态MRI脑肿瘤分割

基于U-Net与Transformer结合的多模态MRI脑肿瘤分割

引用

作者：孙景生山东师范大学

学位级别：硕士

脑肿瘤本质上是身体中枢神经系统中不规则细胞的生长。在脑肿瘤种类中,原发性脑肿瘤与中枢神经系统恶性肿瘤的诊断和治疗难度最大。脑肿瘤中发病率约占百分之四十五的脑胶质瘤是最常见到的原发性脑肿瘤之一,严重威胁到患者的生命。具有... 详细信息

脑肿瘤本质上是身体中枢神经系统中不规则细胞的生长。在脑肿瘤种类中,原发性脑肿瘤与中枢神经系统恶性肿瘤的诊断和治疗难度最大。脑肿瘤中发病率约占百分之四十五的脑胶质瘤是最常见到的原发性脑肿瘤之一,严重威胁到患者的生命。具有多模态协议的核磁共振成像(MRI)成为当下最主流的脑肿瘤获取方法,因此对脑肿瘤MRI医学图像的分割成为了脑肿瘤预测评估和治疗规划的必要前提。然而手动的脑肿瘤医学图像分割是一项技术含量高、耗时长的任务,并且由于不同的脑肿瘤存在着大小、形状和位置的差异,很难通过对比获得它们之间的共同之处。再加上医学图像中病灶边界的模糊不清,这对脑肿瘤的精准分割仍是一项巨大的障碍。近年来,快速发展的深度学习(DL)算法在医学图像处理任务中已经获得了非常大的成功,并且也成为了当下脑肿瘤医学图像分割最流行的方法。其中u-net架构被广泛的应用到医学图像分割领域当中,并逐渐成为最流行的脑肿瘤分割模型。这一模型直接以医学图像为输入,采用带有跳跃连接的编码器-解码器结构,从而增强细节保留使特征提取更精确和高效。在本文中,本文提出了两种改进的二维u-net变体网络用来解决脑肿瘤分割存在的问题。1.考虑到医学图像分割中局部特征和全局特征的重要性,本文提出了一个包含Transformer架构的2D深度残差u-net(2DRTunet)。在编码器中本文采用堆叠的瓶颈残差块,并且将dropout添加在编码器和解码器中的每个卷积块堆栈之后。在桥接器本文使用Transformer模块来进行全局特征建模。在解码器中添加了来自编码器输出经过Transformer块后的级联连接。本文在Bra TS2020和Bra TS2021数据集上进行了大量的实验并评估了提出的网络。通过对比消融实验表明,相比于三维网络,本文在二维卷积网络的基础上,实现了高性能、低运算量的脑肿瘤分割架构。2.脑肿瘤分割任务中,三个肿瘤区域均是不规则且多变的,其面积和形状均存在着较大差异,不利于多尺度特征提取。此外,三个肿瘤区域边界的精确分割也是至关重要的,这往往需要高分辨率的特征提取,然而作为桥接器的Transformer模块的输入特征图已经被下采样到了极低分辨率。为了弥补上述问题,本文提出了一种基于可变形残差模块(DRM)和多尺度Transformer聚合u-net变体网络(2DRMunet)。DRM被添加到跳跃连接,可以使卷积操作对不同的肿瘤区域自动的改变感受野的大小,以此来获取形状感知的特征信息。多尺度的Transformer聚合被用来对不同分辨率的特征图进行全局上下信息的建模。本文实验中2DRMunet的性能较之2DRTunet有着全方位的提升,证明了DRM和多尺度Transformer聚合的有效性。

关键词：脑肿瘤图像分割 u-net变体 Transformer模块可变形残差模块

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

改进GAN的光化性角化病图像数据增强方法

引用

计算机技术与发展 2022年第9期32卷 36-42,50页

作者：黄志伦刘俊郑萌武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学) 湖北武汉430065 武汉理工大学计算机科学与技术学院湖北武汉430070

针对传统网络应用于医学图像数据增强时出现的特征丢失和多样性不足的问题,提出一种基于能量的改进生成对抗网络模型。首先将简单的原始随机噪声输入高斯混合模型,尽管增加了少部分的计算量,但转换后具有潜在复杂分布的噪声能在一定程... 详细信息

针对传统网络应用于医学图像数据增强时出现的特征丢失和多样性不足的问题,提出一种基于能量的改进生成对抗网络模型。首先将简单的原始随机噪声输入高斯混合模型,尽管增加了少部分的计算量,但转换后具有潜在复杂分布的噪声能在一定程度上提升生成样本的类内多样性和类间多样性。然后在判别器部分把简单自编码器替换为u-net状的变体网络,多层采样的过程可以增强对细节纹理的感知,进而提高生成图像的清晰度和特征还原。最后使用混合体驱动算法,按照加权参数逐步混合多个生成器,在迭代过程中弥补先前混合体的不足,提高生成模块的鲁棒性。在光化性角化病图像数据集上的实验结果表明,该网络训练生成的图像在弗雷歇初始距离上优于现有的WGAN(Wasserstein GAN)模型3.41。另外由于判别器可预训练的特性,收敛速度快于当前的WGAN。同时也在公开数据集MNIST和CelebA上验证改进生成对抗网络的有效性。

关键词：光化性角化病生成对抗网络数据增强高斯混合模型 u-net变体混合体驱动

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：