ARU-Net:基于残差注意力机制的胸腔积液图像分割模型

ARU-Net:A Pleural Effusion Imaging Segmentation Model Based on Residual Attention Mechanism

二维码有效期 120s

摘要目的/意义解决传统胸腔积液分割方法严重依赖先验知识、流程烦琐、耗时费力、性能不佳等问题,提高效率和准确率.方法/过程根据胸部CT图像的积液特征,提出一种基于残差注意力机制的胸腔积液分割模型ARU-Net.以U-Net模型为主干网络,在编码和解码阶段引入残差注意力单元,有效获取图像上下文信息,提高对特征的利用率.结果/结论在测试集上的DICE相似系数达到88.76%,与U-Net和ResU-Net相比在分割完整性和准确性方面具有显著优势,能够满足临床需求.

作者杨靖祎 ^[1] 陈隆鑫 ^[2] 杨建凯 ^[3] 史朝霞 ^[4] 底涛 ^[1] 刘晓云 ^[5] 学术成果认领

作者单位河北医科大学第二医院数据中心石家庄 050000 ^[1] 河北医科大学第二医院信息中心石家庄 050000 ^[2] 河北医科大学第二医院神经外科石家庄 050000 ^[3] 河北医科大学第二医院医学影像科石家庄 050000 ^[4] 河北医科大学第二医院神经内科石家庄 050000 ^[5]

关键词胸腔积液深度学习图像分割残差单元注意力机制 pleural effusion deep learning image segmentation residual unit attention mechanism

分类号 R-058

栏目名称 医学信息技术

DOI 10.3969/j.issn.1673-6036.2024.04.014

发布时间 2024-05-21

基金项目

河北省医学重点科技研究计划项目 河北医科大学临床医学创新研究团队项目 河北省卫生健康委员会医学科学研究课题项目