基于改进CENet的新冠肺炎CT图像感染区域分割
文档名：基于改进CENet的新冠肺炎CT图像感染区域分割
摘要：针对新冠病毒感染肺部CT图像感染区域分割精度低,小目标分割困难等问题,提出了一种改进CENet分割模型.首先,在编码阶段加入注意力机制挤压和激励(SE)模块引入全局上下文信息,增强特征提取阶段的感受野,加大目标相关特征通道的权重,从而提高小目标的分割能力;其次,引入特征聚合模块(FAM),采用双线性插值的方法,融合了不同层次的图像特征,得到更具有判别能力的表达,进一步提高网络的分割精度.基于COVID-19-CT-Scans数据集的实验结果表明:该算法分割结果与真实结果之间的重叠率Dice值为74.32％,平均交并比(MIoU)为80.34％,灵敏度(Sen)为84.25％,特异性(Spec)为99.14％.与现有的多种分割算法相比,该方法能更好地分割出新冠病毒肺部感染区域.
作者：邱纯乾 陈建森 郑茜颖 Author：QIUChunqian CHENJiansen ZHENGQianying
作者单位：福州大学物理与信息工程学院,福建福州350108福建医科大学附属协和医院,福建福州350001
刊名：传感器与微系统 ISTICPKU
Journal：TransducerandMicrosystemTechnologies
年，卷(期)：2023, 42(11)
分类号：TP391
关键词：图像处理CT图像感染区域分割注意力机制特征聚合
Keywords：imageprocessingCTimageinfectedregionsegmentationattentionmechanismfeatureaggregation
机标分类号：TP391.41TN911.73R563.1
在线出版日期：2023年12月4日
基金项目：国家自然科学基金，福建省科技重点产业引导项目，福建医科大学应急攻关项目基于改进CENet的新冠肺炎CT图像感染区域分割[
期刊论文]传感器与微系统--2023, 42(11)邱纯乾陈建森郑茜颖针对新冠病毒感染肺部CT图像感染区域分割精度低,小目标分割困难等问题,提出了一种改进CENet分割模型.首先,在编码阶段加入注意力机制挤压和激励(SE)模块引入全局上下文信息,增强特征提取阶段的感受野,加大目标相关特征...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于改进CENet的新冠肺炎CT图像感染区域分割Infection regions segmentation of COVID-19 CT images based on improved CENet
基于改进CENet的新冠肺炎CT图像感染区域分割.pdf
页:
[1]