深度学习的优势在于其具有深层次的特征提取结构,而随着层数的增加以及激活函数的影响往往会导致其编码能力下降.基于此本文提出了一种基于U-Net和FCN网络进行编码约束的方法,并应用到医学图像分割上.编码约束结构以U-Net和FCN全卷积网...深度学习的优势在于其具有深层次的特征提取结构,而随着层数的增加以及激活函数的影响往往会导致其编码能力下降.基于此本文提出了一种基于U-Net和FCN网络进行编码约束的方法,并应用到医学图像分割上.编码约束结构以U-Net和FCN全卷积网络模型架构为主体,对网络最后一层使用Sigmoid激活函数的1×1卷积层进行特征约束,通过将特征值向0.5靠近预防Sigmoid激活函数产生的梯度消失问题,同时要求特征值不能集中在0.5附近,最终在保持特征区分度的前提下规范编码值,进而提升网络编码能力.本文在Finding lungs in CT二维肺部分割数据集和肝脏数据集上分别进行了实验,实验结果表明本文方法能够有效的预防梯度消失的同时提升全卷积网络特征的编码能力,进而能有效地提升分割性能.展开更多
文摘深度学习的优势在于其具有深层次的特征提取结构,而随着层数的增加以及激活函数的影响往往会导致其编码能力下降.基于此本文提出了一种基于U-Net和FCN网络进行编码约束的方法,并应用到医学图像分割上.编码约束结构以U-Net和FCN全卷积网络模型架构为主体,对网络最后一层使用Sigmoid激活函数的1×1卷积层进行特征约束,通过将特征值向0.5靠近预防Sigmoid激活函数产生的梯度消失问题,同时要求特征值不能集中在0.5附近,最终在保持特征区分度的前提下规范编码值,进而提升网络编码能力.本文在Finding lungs in CT二维肺部分割数据集和肝脏数据集上分别进行了实验,实验结果表明本文方法能够有效的预防梯度消失的同时提升全卷积网络特征的编码能力,进而能有效地提升分割性能.
