文献类型：期刊文章

作　　者：王浩宇[1] 朱文韬[1] 肖刚[2] 陈耀文[1]

WANG Haoyu;ZHU Wentao;XIAO Gang;CHEN Yaowen(Shantou University Department of Electronic Information Engineering,Shantou 515063,China;Hanshan Normal University School of Mathematics and Statistics,Chaozhou 521041,China)

机构地区：[1]汕头大学工学院电子信息工程系,汕头515063 [2]韩山师范学院数学与统计学院,潮州521041

出　　处：《中国体视学与图像分析》

基　　金：2020年李嘉诚基金会交叉研究基金(2020LKSFG06C)

年　　份：2023

卷　　号：28

期　　号：1

起止页码：98-107

语　　种：中文

收录情况：普通刊

摘　　要：目的卷积神经网络由于具有在捕捉长距离依赖能上的缺陷,其限制了分割模型的进一步提升[1]。针对以往医学图像分割网络中卷积的感受野太小,对小型医学图像数据集训练参数非常多的深度网络容易过拟合问题,基于TransUnet网络模型结合ViT与Unet的特性对模型进行优化。方法利用TransUnet与ResNet残差结构与注意力机制结合,在底层CNN模块引入注意力机制提取特征,引入残差结构加深算法,使用卷积操作代替混合编码器中的最大池化减少特征丢失,增大了卷积中的感受野,提高了脑胶质瘤图像的分割精度。结果在BraTS比赛的数据集中对脑胶质瘤的分割Dice达到95.22%,较原TransUnet模型提升了2%。结论研究基于TransUnet优化算法的脑肿瘤图像分割方法鲁棒性强。对现有的两种神经网络方法进行对比,均低于本文改进模型,表明对于医学图像的分割精度有提升。

关 键 词：图像分割 U-Net  TransUnet  残差结构  脑胶质瘤

分 类 号：TL391]