现有的视网膜血管分割算法存在特征提取能力不足和分割效率低等问题。针对该问题,对UNet网络进行改进,提出一种基于多尺度特征提取的U型网络(Multi-scale feature extraction based on UNet, MF-UNet)。该算法在编码和解码部分构建反卷...现有的视网膜血管分割算法存在特征提取能力不足和分割效率低等问题。针对该问题,对UNet网络进行改进,提出一种基于多尺度特征提取的U型网络(Multi-scale feature extraction based on UNet, MF-UNet)。该算法在编码和解码部分构建反卷积分割模块替代传统卷积块,使网络保留更多的血管细节信息。之后,在编码和解码中间连接部引入混合池化(Mix Pooling Moudle, MPM)和模板卷积(Template convolution, TConv),提升网络对多尺度特征的提取能力,从而提升血管的分割质量和分割效率。在两个眼底数据库DRIVE和STARE上进行实验验证,结果表明,MF-UNet算法在准确性、灵敏度、特异性和AUC表现优异,更优于UNet与其他视网膜血管分割算法。展开更多
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
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。
