典型文献
基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法
文献摘要：
在乳腺癌筛查的计算机辅助诊断过程中,乳腺肿块的精确分割至关重要.?然而,乳腺肿块在X光成像中与背景灰度接近、形状不规则,使得精确分割面临很大挑战.?为进一步提升分割性能,提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.?首先,提出可分离卷积U-Net模型作为对抗网络中的生成器,以减少参数量和计算量;然后,在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息;最后,综合考虑类别不平衡、语义一致性等因素的影响,提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.?实验结果表明,新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35％和99.72％的准确率,以及81.27％和82.01％的集合相似度,获得优于现有方法的分割性能.
文献关键词：
乳腺肿块分割;U-Net模型;深度学习;生成对抗网络;医学辅助诊断
中图分类号：
作者姓名：
刘东;陈境宇;王生生
作者机构：
湘南学院 医学影像人工智能湖南省重点实验室,湖南 郴州 423300;湘南学院 计算机与人工智能学院,湖南 郴州 423300;吉林大学 符号计算与知识工程教育部重点实验室,吉林 长春 130012;吉林大学 计算机科学与技术学院,吉林 长春 130012
文献出处：
引用格式：
[1]刘东;陈境宇;王生生-.基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法)[J].云南大学学报（自然科学版）,2022(02):271-280
A类：
乳腺肿块分割,INbreast
B类：
块图,图像分割,分割方法,乳腺癌筛查,计算机辅助诊断,诊断过程,精确分割,光成像,灰度,可分离卷积,Net,生成器,参数量,计算量,判别网络,自适应归一化,取分,掩码,语义信息,类别不平衡,语义一致性,感知损失,混合损失函数,模型学习,CBIS,DDSM,公开数据集,集合相似度,生成对抗网络,医学辅助诊断
AB值：
0.350815
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。
