多尺度监督U-Net甲状腺结节超声图像分割_中国煤炭行业知识服务平台

多尺度监督U-Net甲状腺结节超声图像分割

作者

周晓松赵涓涓
单位

太原理工大学信息与计算机学院
摘要

针对甲状腺结节尺寸多变、超声图像结节边缘不清晰等特征导致人工诊断筛查过程中出现的误诊和漏诊的现象，提出了一种基于多尺度注意力的MSA-UNet甲状腺结节超声分割方法(mutil-scale attention UNet, MSA-UNet).该算法首先使用不同空洞率的空洞卷积提取甲状腺病灶特征信息，之后将不同尺度的特征信息进行特征融合，解决不同甲状腺结节大小对超声图像分割结果的影响。考虑到位置关系信息学习和深层次语义特征筛选后的特征对分割模型的影响，通过使用通道注意力机制使网络模型更加专注于更有用的特征信息，从而提高甲状腺结点的分割精度，实现病灶区域的精细分割。实验结果表明，该方法在甲状腺超声图像数据集上召回率达87%,分割精度为86.1%,Dice值为84.6%,较现有的深度学习方法有较高的提升，可为甲状腺结节的检测诊疗提供新的研究思路。
关键词

图像分割深度学习注意力机制神经网络 U型网络
基金项目(Foundation)

国家自然科学基金资助项目(61972274)；
文章目录

1 相关工作
1.1 传统的图像分割方法
1.2 基于深度学习的分割方法
2 本文方法
2.1 MSA-UNet网络结构
2.2 数据预处理
2.3 改进的空洞空间卷积池化金字塔
2.4 改进的注意力模块
2.5 多尺度监督策略
2.6 损失函数
3 实验与分析
3.1 实验细节
3.2 实验可视化与数据
4 结论
引用格式

周晓松,赵涓涓.多尺度监督U-Net甲状腺结节超声图像分割[J].太原理工大学学报,2022,53(06):1134-1142.DOI:10.16355/j.cnki.issn1007-9432tyut.2022.06.020.
相关文章

[1]人车交互技术中的手势检测及识别方法
[2]基于改进自生成神经网络的孤立性肺结节分类
[3]基于卷积长短期记忆网络的泄漏监测算法研究