文献类型：期刊文章

作　　者：王海鸥[1,2] 刘慧[1,2] 郭强[1,2] 邓凯[3] 张彩明[2,4,5]

Wang Haiou;Liu Hui;Guo Qiang;Deng Kai;Zhang Caiming(School of Computer Science and Technology,Shandong University of Finance and Economics,Ji’nan 250014;Digital Media Technology Key Laboratory of Shandong Province,Ji’nan 250014;Department of Image,Shandong Provincial Qianfoshan Hospital,Ji’nan 250014;School of Software,Shandong University,Ji’nan 250101;Shandong Co-Innovation Center of Future Intelligent Computing,Yantai 264025)

机构地区：[1]山东财经大学计算机科学与技术学院,济南250014 [2]山东省数字媒体技术重点实验室,济南250014 [3]山东省千佛山医院影像科,济南250014 [4]山东大学软件学院,济南250101 [5]山东高校未来智能计算协同创新中心,烟台264025

出　　处：《计算机辅助设计与图形学学报》

基　　金：国家自然科学基金重点项目浙江联合基金(U1609218);国家自然科学基金(61572286,61472220);山东省重点研发计划(2017CXGC1504);山东省省属高校优秀青年人才联合基金项目(ZR2017JL029);山东省高等学校优势学科人才团队培育计划

年　　份：2019

卷　　号：31

期　　号：6

起止页码：1007-1017

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：近年来,超像素在医学图像处理领域的应用愈加广泛,现有的方法取得了较好的效果,如LAW,SLIC等.然而,这些方法在处理医学图像得到超像素时,位于组织边缘像素点的划分仍存在类别模糊问题.为此,提出一种基于U-Net网络的超像素分割方法.首先,通过双边滤波模型过滤外部噪声,增强超像素信息;然后,结合U-Net卷积网络学习图像特征.该方法为U-Net网络中每个特征尺度的卷积层后嵌入一个规范层,用于增强网络对参数的敏感性.实验结果表明,该方法有效提高了医学图像超像素的分割精度,与groundtruth相比,其改善了超像素边缘分类的准确性,优化了超像素分割结果,在精确度、召回率、F-measure和分割速度等性能指标上均取得了更好的效果.

关 键 词：超像素  双边滤波 卷积网络  U-Net  医学图像分割

分 类 号：TP391.41]