典型文献
基于高效通道注意力的UNet肺结节CT图像分割
文献摘要：
肺癌是全球死亡率最高的癌症之一,肺结节作为肺癌早期诊断的重要依据,对其进行精准分割格外重要.为了帮助医生诊断肺部病变,本文提出一种改进的UNet肺结节分割方法.首先,在特征提取部分引入高效通道注意力网络(efficient channel attention for deep convolutional neural networks,EcaNet),提高UNet分割效果,使其具有良好的泛化能力.接着,为了降低模型参数量、提升算法分割性能,提出一种基于深度可分离卷积的特征融合模型,用深度可分离卷积代替传统卷积完成特征融合.然后,针对肺结节图像特点,将基于重叠度损失函数(dice loss)与加权交叉熵(weighted cross entropy,WCE)结合作为新的损失函数.最后,为验证所提算法Eca-UNet的有效性,在LIDC-IDRI肺结节公开数据集上进行评估.结果表明:Eca-UNet算法在DICE相似系数、MIOU上比UNet分割算法分别提高10.47、7.34个百分点;同时在训练速度上提升了10.10％,预测速度提升了11.56％.
文献关键词：
图像分割;肺结节CT图像;注意力机制;UNet;残差网络
中图分类号：
作者姓名：
万黎明;张小乾;刘知贵;宋林;周莹;李理
作者机构：
西南科技大学 计算机科学与技术学院,四川 绵阳621000;西南科技大学 信息工程学院,四川 绵阳621000;绵阳市中心医院 放射科,四川 绵阳621000
文献出处：
引用格式：
[1]万黎明;张小乾;刘知贵;宋林;周莹;李理-.基于高效通道注意力的UNet肺结节CT图像分割)[J].广西师范大学学报（自然科学版）,2022(03):66-75
A类：
EcaNet
B类：
高效通道注意力,UNet,图像分割,格外,肺部病变,肺结节分割,分割方法,注意力网络,efficient,channel,attention,deep,convolutional,neural,networks,分割效果,泛化能力,模型参数量,深度可分离卷积,特征融合,融合模型,重叠度,损失函数,dice,loss,交叉熵,weighted,cross,entropy,WCE,LIDC,IDRI,公开数据集,DICE,相似系数,MIOU,分割算法,百分点,训练速度,测速,注意力机制,残差网络
AB值：
0.413633
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
