基于Attention-enhancing Unet的乳腺肿瘤超声图像分割算法
投稿时间：2020-07-08  修订日期：2020-08-27
关键词:乳腺超声图像  图像分割  注意力机制  深度学习  
基金项目:1）2017江苏省自然科学基金（青年基金）（BK20170765） 2）2017国家自然科学基金（青年基金）（61703201）
作者单位邮编
赵曼雪* 南京邮电大学 210042
摘要点击次数: 1506
全文下载次数: 0
摘要:
      为提高乳腺超声图像病灶区域分割的准确性，该文对Attention-Unet进行改进，提出了注意力增强U形网络（Attention-enhancing Unet，AE-Unet）模型。首先，对网络损失函数进行改进，在传统网络末端输出预测值的基础上，融入所有注意力门（Attention Gate）输出权值，与标准病灶区域模板进行损失函数的计算，用于获取准确的网络损失值；其次，对网络训练方式进行改进，采用粗细结合的策略，先用总体损失函数训练整体网络，使网络基本稳定；再用部分损失函数，依次交替训练主干网络和注意力门模块，对基本网络参数进行微调，用于进一步提升网络参数的精度。两者结合，大大提高了乳腺超声图像病灶区域分割的准确性。在医院实际采集的乳腺超声数据上的实验结果表明，该文提出的AE-Unet模型在测试集上的M-IOU达82.21%，Precision达85.88%，Reall达79.51%，F1达82.57%，Acc达94.35%，Specitivity达97.35%，PPV达85.88%，相比现有先进算法取得了较好的分割结果。
  查看/发表评论  下载PDF阅读器
Copyright@ 2008 All Rights Reserved.