MS-UNet++:基于改进UNet++的视网膜血管分割

来源 :光电子·激光 | 被引量 : 1次 | 上传用户:xiaoxie20092009
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本文针对视网膜图像中细微血管特征提取困难导致其分割难度高等问题,提出了一种基于端到端的神经网络嵌套视网膜血管分割模型算法(简称MS-UNet++),该算法选取了深度监督网络UNet++作为分割网络模型,提升特征的使用效率;引入MulitRes模块,改善低对比度环境下细小血管的特征学习效果,并在特征提取后加上SENet模块进行挤压和激励操作,从而增强特征提取阶段的感受野,提高目标相关特征通道的权重。基于DRIVE图像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83.64%,并
其他文献
针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net)。该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位置信息,通道注意力模型着重于提取肺结节的细节特征。最后将两个模型提取的特征进行融
为解决预装式储能电站内部布局优化的问题,同时兼顾集装箱内部通风散热效果最好与储能容量最大,提出一种基于Surrogate的预装式储能电站布局优化方案,以进、出风口半径、通风
电力电子变压器(power electronics transformer,PET)技术作为一种新型的电力电子变电设备,能够实现交直流系统灵活组网、功率路由和电能质量管理等功能,为增强配用电系统的
肺结节的早期诊断对后续的治疗非常重要.尽管深度学习方法在肺结节良恶性分类等任务中取得了良好的结果,但是这些方法没有提供有意义的诊断功能,导致获得的结果缺乏客观性.越
在脑机接口中,让分类器从一个用户适应到另一个用户是具有挑战性的,但对于减少新用户的训练时间是必要的.但由于每个个体的神经信号存在着差异,常用的特征提取方法训练的分类
总结了双有源层a-IGZO TFT器件的研究进展,重点阐述了a-IGZO的双有源层器件在高稳定性机制、制备工艺、上下层元素比例、掺杂和工艺参数等方面的研究结果,详细分析了双有源层
模块化多电平矩阵变换器(modular multilevel matrix converter,MMMC)具备模块化的优点,能实现三相AC-AC的变换,且可用于高电压大功率的场合.但传统的载波移相调制策略在MMMC
直流电压稳定是多端柔性直流输电(voltage source converter based multi-terminal high voltage direct current transimisson,VSC-MTDC)系统稳定的前提.相比特征值法,采用
本文研究了部分相干电磁反常涡旋光束(PCEAVB)通过各向异性non-Kolmogorov大气湍流后的偏振度和偏振态的变化.研究结果表明,PCEAVB的偏振度分布为同心的圆环,而随着光束阶数n
特高压直流分层接入系统受端逆变器在交直流侧均存在电气耦合关系.当某一电压等级交流系统发生故障时,交流电压跌落会引发故障层逆变阀组换相失败,而直流电流增大使非故障层