| 基于高效通道注意力的UNet肺结节CT图像分割 |
| |
| 引用本文： | 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),2022,40(3):66-75. |
| |
| 作者姓名： | 万黎明 张小乾 刘知贵 宋林 周莹 李理 |
| |
| 作者单位： | 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 |
| |
| 基金项目： | 国家自然科学基金(61772272,62102331)； |
| |
| 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%。
|
| 关 键 词： | 图像分割 肺结节CT图像 注意力机制 UNet 残差网络 |
CT Image Segmentation of UNet Pulmonary Nodules Based on Efficient Channel Attention |
| |
| WAN Liming,ZHANG Xiaoqian,LIU Zhigui,SONG Lin,ZHOU Ying,LI Li.CT Image Segmentation of UNet Pulmonary Nodules Based on Efficient Channel Attention[J].Journal of Guangxi Normal University(Natural Science Edition),2022,40(3):66-75. |
| |
| Authors: | WAN Liming ZHANG Xiaoqian LIU Zhigui SONG Lin ZHOU Ying LI Li |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
