换一批基于有效感受野和注意力融合机制的脑肿瘤全自动分割
Fully-automatic brain tumor segmentation based on effective receptive field and attention fusion mechanism
摘要深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net).EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量.在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性.
更多相关知识
关键词
脑肿瘤分割EAU-Net有效感受野拓展模块注意力融合模块倒残差结构brain tumor segmentationEAU-Neteffective receptive field expansion blockattention fusion moduleinverted residual structure
栏目名称
DOI
10.3969/j.issn.1005-202X.2024.05.006
发布时间
2024-06-05（万方平台首次上网日期，不代表论文的发表时间）
基金项目
北京市自然科学基金-北京市教育委员会科技计划重点项目（KZ202110011015）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
