發(fā)布時間：2021-04-02 12:26

　　目的探究基于改進UNet++網(wǎng)絡(luò)的圖像分割算法用于分割黑色素瘤皮膚病變圖像的價值。方法構(gòu)建引入軟注意力門和以Tversky-Focal Loss（TFL）函數(shù)為損失函數(shù)的UNet++網(wǎng)絡(luò)優(yōu)化結(jié)構(gòu)——AT-UNet++網(wǎng)絡(luò),并將其在國際皮膚成像協(xié)作組織（ISIC）挑戰(zhàn)2016和2017訓(xùn)練集中訓(xùn)練。計算訓(xùn)練好的AT-UNet++網(wǎng)絡(luò)與U-Net網(wǎng)絡(luò)、UNet++網(wǎng)絡(luò)的逐像素分割精度（ACC）、DIC相似系數(shù)（DIC）和Jaccard相似指數(shù)（JAI）,對以TFL函數(shù)為損失函數(shù)的UNet++網(wǎng)絡(luò)和引入軟注意力門的UNet++網(wǎng)絡(luò)在ISIC挑戰(zhàn)2016和2017測試集上進行指標評估;比較ISIC挑戰(zhàn)2016與2017競賽排名前五名的參賽隊伍模型與AT-UNet++網(wǎng)絡(luò)的指標參數(shù)。結(jié)果在ISIC挑戰(zhàn)2016測試集上,AT-UNet++網(wǎng)絡(luò)逐的ACC、DIC和JAI較UNet++網(wǎng)絡(luò)分別提高3.36%、4.15%和3.95%,在2017測試集分別提高2.65%、5.01%及4.39%。結(jié)論 AT-UNet++網(wǎng)絡(luò)的各項評價指標較其他模型均有不同程度提高。 

【文章來源】：中國醫(yī)學影像技術(shù). 2020,36(12)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

AT-UNet++網(wǎng)絡(luò)結(jié)構(gòu)

以第l層為例,軟注意力門的輸入為第l層第i個像素的特征x i l 和選通信號g。特征x i l 通過線性變換a x Τ 與經(jīng)過線性變化βg的選通信號逐元素g求和,之后經(jīng)過1次1×1×1線性變換F,激活函數(shù)分別為ReLU函數(shù)和Sigmoid函數(shù),以φ1和φ2表示。軟注意力門在每個像素點i產(chǎn)生注意力系數(shù)w i l ( w i l β∈[ 0,1 ] );對所得注意力系數(shù)w i l 與輸入特征x i l 進行加權(quán)求和,可獲得新的特征圖。w i l =φ 2 { F Τ [ φ 1 ( α x Τ x i l +β g Τ g i +γ g ) ]+ b F } (1)

表2 AT-UNet++網(wǎng)絡(luò)與ISIC挑戰(zhàn)2016與2017競賽排名前5的參賽模型比較(%) 評價指標 ISIC挑戰(zhàn)2016 Team-EXB Team-CUMED Team-Rahman Team-SFU Team-TMU SSLS FCN[8] AT-UNet++ ACC 95.30 94.90 95.20 94.40 94.60 84.67 94.13 95.76 DIC 91.00 89.70 89.50 88.50 88.80 69.97 88.64 92.50 JAI 84.30 82.90 82.22 81.11 81.10 57.20 81.37 85.31 評價指標 ISIC挑戰(zhàn)2017 Team-Mt.Sinal Team-NLP Team-BMIT Team-RECOD SSLS AT-UNet++ ACC 93.40 93.20 93.40 93.10 83.92 93.65 DIC 84.90 84.70 84.40 83.90 57.49 85.74 JAI 76.50 76.20 76.00 75.40 44.77 76.83為此,本研究引入軟注意力門[14],旨在從大量信息中有效篩選出少量信息并聚焦。聚焦過程與注意系數(shù)計算有關(guān),像素的注意系數(shù)越大,越聚焦于其所對應(yīng)的特征信息。通過賦予小目標較大權(quán)重系數(shù),軟注意力門可提高模型在大背景小目標病變圖像中對于小目標的分割精度。本實驗中加入軟注意力門的UNet++網(wǎng)絡(luò)ACC、DIC和JAI均優(yōu)于UNet++網(wǎng)絡(luò),證實了上述觀點。

【參考文獻】：
期刊論文
[1]非線性激活的聚合殘差神經(jīng)網(wǎng)絡(luò)汽車胎紋識別[J]. 陳德海,潘韋馳,馬原,黃艷國.  江西理工大學學報. 2019(05)
[2]關(guān)于非線性激活函數(shù)的深度學習分類方法研究[J]. 楊國亮,許楠,李放,龔曼.  江西理工大學學報. 2018(03)
[3]18F-FDG PET/CT顯像在惡性黑色素瘤診斷及分期中的價值[J]. 李麗琴,李德鵬,王爭明,龍鳳.  中國醫(yī)學影像技術(shù). 2009(11)



本文編號：3115277