文献类型：期刊文章

作　　者：孔令军[1,2] 王茜雯[2] 包云超[2] 刘伟光[1]

KONG Lingjun;WANG Qianwen;BAO Yunchao;LIU Weiguang(Faculty of Network and Telecommunication Enineering Jinling Institute of Technology,Nanjing 211169,China;College of Telecommunication and Information Engineering Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

机构地区：[1]金陵科技学院网络与通信工程学院,江苏南京211169 [2]南京邮电大学通信与信息工程学院,江苏南京210003

出　　处：《无线电工程》

基　　金：中国博士后科学基金资助项目(2020M671595);江苏省博士后科研资助计划资助项目(2020Z198)。

年　　份：2021

卷　　号：51

期　　号：9

起止页码：841-847

语　　种：中文

收录情况：BDHX、BDHX2020、JST、核心刊

摘　　要：臂丛神经(Brachial Plexus,BP)超声图像对比度低、边缘模糊和噪声多的特点导致传统图像分割方法很难取得好的分割效果,虽然基于深度学习的图像分割模型能够通过特征提取来降低上述特点的影响,但主流的编解码模型忽略了对跳跃连接特征的处理,使编码端不能为解码端提供有用的信息。为了解决这一问题,使用EfficientNetB3搭建U-Net框架,在网络的跳跃连接上使用空洞卷积来去除特征图中的噪声并获取显著的位置信息,使用周期欠采样方法解决臂丛神经超声图像正负样本严重失衡的问题。在Kaggle竞赛的BP数据集上进行实验,与U-Net、M-Net和U-Net++相比,提出的模型有更高的Dice系数和IoU值。

关 键 词：深度学习  图像分割 U-Net  空洞卷积  

分 类 号：TP391.4]