期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于ESC-TransUNet网络的脑出血CT图像分割
1
作者
谭佳慧
文琛言
+1 位作者
黄巍
胡凯
《计算机科学》
北大核心
2025年第S1期99-107,共9页
针对脑出血CT图像处理中遇到的出血区域空间位置、形状、尺寸多变性以及与周围组织强度值相近导致边界难以确定等挑战,提出了一种改进TransUNet的图像分割模型(ESC-TransUNet)。该模型首先在上采样前增添了显式视觉中心(Explicit Visual...
针对脑出血CT图像处理中遇到的出血区域空间位置、形状、尺寸多变性以及与周围组织强度值相近导致边界难以确定等挑战,提出了一种改进TransUNet的图像分割模型(ESC-TransUNet)。该模型首先在上采样前增添了显式视觉中心(Explicit Visual Center,EVC),能够捕获图像中远距离像素的关联程度,并保留输入图像中局部边角区域的详细信息,有助于有效提取出血区域特征。其次,在编码器阶段引入了注意力混洗机制(Shuffle Attention,SA),有效地学习了出血区域与背景间的微小差异,从而提高了分割任务的精确度。最后,在解码器阶段采用CBM2结构促进信息更有效传递,增强模型泛化能力和准确性。在脑出血公开数据集Physionet(PHY)上进行了大量实验,结果表明,所提方法超过了其他9种主要的分割方法,在脑出血CT图像分割任务中获得了更优异的性能。
展开更多
关键词
深度学习
CT图像
脑出血分割
注意力混洗机制
显式视觉中心
在线阅读
下载PDF
职称材料
基于改进U型神经网络的脑出血CT图像分割
被引量：
5
2
作者
胡敏
周秀东
+2 位作者
黄宏程
张光华
陶洋
《电子与信息学报》
EI
CSCD
北大核心
2022年第1期127-137,共11页
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃...
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度。为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net,Attention U-Net,UNet++以及CE-Net相比,mIoU指标分别提升了20.9%,3.6%,7.0%,3.1%,表明AU-Net+模型具有更好的分割效果。
展开更多
关键词
脑
出血
CT图像
分割
注意力机制
Dice损失函数
残差八度卷积模块
在线阅读
下载PDF
职称材料
题名
基于ESC-TransUNet网络的脑出血CT图像分割
1
作者
谭佳慧
文琛言
黄巍
胡凯
机构
湘潭大学计算机学院网络空间安全学院
长沙市第一医院放射科计算机医学图像处理研究中心
出处
《计算机科学》
北大核心
2025年第S1期99-107,共9页
基金
国家自然科学基金(62272404)
湖南省普通高等学校教学改革研究项目(202401000574)
+2 种基金
湖南省科技厅项目(2021SK53105)
湖南省教育厅项目(23A0146)
湖南省大学生创新创业训练计划项目(S202310530024)。
文摘
针对脑出血CT图像处理中遇到的出血区域空间位置、形状、尺寸多变性以及与周围组织强度值相近导致边界难以确定等挑战,提出了一种改进TransUNet的图像分割模型(ESC-TransUNet)。该模型首先在上采样前增添了显式视觉中心(Explicit Visual Center,EVC),能够捕获图像中远距离像素的关联程度,并保留输入图像中局部边角区域的详细信息,有助于有效提取出血区域特征。其次,在编码器阶段引入了注意力混洗机制(Shuffle Attention,SA),有效地学习了出血区域与背景间的微小差异,从而提高了分割任务的精确度。最后,在解码器阶段采用CBM2结构促进信息更有效传递,增强模型泛化能力和准确性。在脑出血公开数据集Physionet(PHY)上进行了大量实验,结果表明,所提方法超过了其他9种主要的分割方法,在脑出血CT图像分割任务中获得了更优异的性能。
关键词
深度学习
CT图像
脑出血分割
注意力混洗机制
显式视觉中心
Keywords
Deep learning
CT images
Intracranial hemorrhage segmentation
Shuffle attention mechanism
Explicit visual center
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于改进U型神经网络的脑出血CT图像分割
被引量：
5
2
作者
胡敏
周秀东
黄宏程
张光华
陶洋
机构
重庆邮电大学通信与信息工程学院
重庆市通信软件工程技术研究中心
太原学院计算机科学与工程系
出处
《电子与信息学报》
EI
CSCD
北大核心
2022年第1期127-137,共11页
基金
国家重点研发计划(2019YFB2102001)
山西省回国留学人员科研项目(2020-149)。
文摘
针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题,该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先,该模型利用U-Net中的编码器对脑出血CT图像特征编码,将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分,使不同层次的特征更好地融合;其次,对融合后的特征,分别引入混合注意力机制,用以提高对目标区域的特征提取能力;最后,通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度。为验证模型的有效性,在脑出血CT图像数据集上进行实验,同U-Net,Attention U-Net,UNet++以及CE-Net相比,mIoU指标分别提升了20.9%,3.6%,7.0%,3.1%,表明AU-Net+模型具有更好的分割效果。
关键词
脑
出血
CT图像
分割
注意力机制
Dice损失函数
残差八度卷积模块
Keywords
Segmentation of Computed-Tomography(CT)images of cerebral hemorrhage
Attention mechanism
Dice loss function
Residual Octave Convolution block(ROC)module
分类号
TN911.73 [电子电信—通信与信息系统]
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于ESC-TransUNet网络的脑出血CT图像分割
谭佳慧
文琛言
黄巍
胡凯
《计算机科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于改进U型神经网络的脑出血CT图像分割
胡敏
周秀东
黄宏程
张光华
陶洋
《电子与信息学报》
EI
CSCD
北大核心
2022
5
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
