科研之友
微信
新浪微博
Facebook
分享链接
摘要
UNet网络中编解码器对应的特征图之间存在语义鸿沟，其双卷积层无法学习多尺度信息，造成部分特征信息丢失，影响MRI图像分割效果。针对这一缺陷，本研究提出一种新的图像分割网络局部残差融合多尺度双分支网络LMD-UNet。在编码流程，网络采用局部特征残差融合密集块和多尺度卷积模块，扩大影像感受野并优化底层视觉特征的传播；在解码流程，网络采用双分支卷积的方式生成新的高级语义特征，以此来重建编码路径中损失的信息。利用公开脑肿瘤数据集BraTs的335例病例做分割实验，并将分割结果与现阶段主流分割网络UNet进行对比。结果显示，LMD-UNet模型的Precision、Dice、95%HD、Recall等4项客观评价指标分别达到0.933、0.921、0.702和0.966,相较于UNet,对应指标分别提升了6.3%、5.7%、1.8%和6.1%。研究表明，LMD-UNet能够实现更精细的脑肿瘤图像分割。此外，所提出的方法对于细节部分边缘轮廓的分割也有较好的效果，能够为脑肿瘤诊断和手术提供保障。
- 单位
