BEA-Net：用于医学图像分割的具有多尺度短期连接的Body and Edge感知网络

2023-12-22 04:04
文章标签 具有 图像 用于 连接 分割 网络 net 医学 尺度 短期 感知 edge body bea

本文主要是介绍BEA-Net：用于医学图像分割的具有多尺度短期连接的Body and Edge感知网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

BEA-Net: Body and Edge Aware Network With Multi-Scale Short-Term Concatenation for Medical Image Segmentation

  • BEA-Net：用于医学图像分割的具有多尺度短期连接的Body and Edge感知网络
    • 背景
    • 贡献
    • 实验
    • 方法
      • Shared Encoder With MSSTC Modules（带有MSSTC模块的共享编码器）
      • Body Decoder With Body Generation Modules （带Body Generation模块的Body解码器）
      • Edge Decoder With Edge Generation Modules（带边缘生成模块的边缘解码器）
    • 损失函数
    • Thinking

BEA-Net：用于医学图像分割的具有多尺度短期连接的Body and Edge感知网络

4828 IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, VOL. 27, NO. 10, OCTOBER 2023

背景

医学图像分割对于许多疾病的诊断和预后是必不可少的。为了提高分割性能，本研究提出了一种新的具有多尺度短期级联的二维主体和边缘感知网络，用于医学图像分割。提出了将具有不同感受野的连续卷积层连接起来的多尺度短期连接模块，用于捕获具有较少参数的多尺度表示。提出了基于加权图计算通过扩大感受野进行特征调整的主体生成模块，以及使用Sobel核进行边缘检测的多尺度卷积的边缘生成模块，以分别从解码器中的卷积特征中学习身体和边缘特征，使所提出的网络具有身体和边缘感知能力。基于本体和边缘模块，我们设计了并行的本体和边缘解码器，其输出被融合以实现最终的分割。此外，还应用了本体和边缘解码器的深度监督，以确保生成的本体和边缘特征的有效性，并进一步改进最终分割。在六个公共医学图像分割数据集上对所提出的方法进行了训练和评估，以证明其有效性和通用性。实验结果表明，在所有使用的数据集上，该方法的平均Dice相似系数和95%的Hausdorff距离都优于几个基准。消融研究验证了所提出的多尺度表示学习模块、身体和边缘生成模块以及深度监督的有效性。

贡献

1） 与之前的大多数方法（如[9]、[11]、[16]）需要额外的网络参数来捕获多尺度特征不同，我们提出了多尺度短期级联模块，该模块可以用比常用卷积层更少的参数来学习多尺度特征；
2） 与之前大多数只考虑身体或边缘信息的方法不同，如[28]、[39]、[40]，我们设计了并行的身体和边缘解码器，以充分利用身体和边缘信息进行分割；
3） 与[33]、[34]等以前的大多数方法不同，这些方法只使用损失来利用主体和边缘信息，或者不设计独立的模块来提取边缘特征，如[25]，在本研究中，除了使用主体和边缘监督损失，我们设计了相互独立的身体生成模块和边缘生成模块，分别学习更有效的身体和边缘特征；
4） 在六个不同的医学图像分割数据集上对所提出的BEA-Net进行了评估，以证明其有效性和通用性。结果表明，与现有的几种方法相比，该方法可以以较低的计算复杂度获得最佳的分割性能。

实验

数据集：ISIC2018、JSRT、IDRiD、BUSI、CVC-ClinicDB、Kvasir-SEG
在这里插入图片描述
消融实验：

  • 各个模块、两个分支的消融
    在这里插入图片描述
  • 深度监督的消融
    在这里插入图片描述
  • MSSTC模块位置的消融
  • MSSTC kernel_size以及输出通道数的消融
    在这里插入图片描述
  • 边缘分支放在编码器还是解码器的消融
    在这里插入图片描述
  • 下采样率消融
    在这里插入图片描述

方法

在这里插入图片描述

Shared Encoder With MSSTC Modules（带有MSSTC模块的共享编码器）

为了用多尺度信息和更少的网络参数生成更有效的高层特征，在每个深层应用了上述两个MSSTC模块
MSSTC模块，它可以用来代替常用的3×3卷积层，以学习多尺度特征，同时减少网络参数
在这里插入图片描述
在这里插入图片描述

Body Decoder With Body Generation Modules （带Body Generation模块的Body解码器）

通常，body部位是可以使用大的感受野来捕获的低空间频率分量。此外，如果不同分辨率特征图中某个位置的特征都是显著的，则可以认为该位置的信息变化不大，是低空间频率信息。因此，这个位置更有可能是身体。以上这些假设启发了我们BG模块的设计。因此，我们首先通过步长为2和4的3×3卷积运算，将原始输入特征下采样为两个不同的低分辨率特征，以实现用于捕获粗略身体特征的大RF。然后，为了生成可用于详细说明身体特征生成的原始特征的身体位置权重图，我们提出了一种基于不同分辨率卷积特征的身体定位权重块。
提出了一种基于不同分辨率卷积特征的body定位权重块。在该块中，通过双线性插值将两个下采样的特征上采样到原始分辨率，并将原始特征和两个上采样的特征连接起来
在这里插入图片描述

Edge Decoder With Edge Generation Modules（带边缘生成模块的边缘解码器）

三个Sobel卷积层，步长分别为1、2和4。使用不同的步长来实现多尺度边缘信息
在这里插入图片描述

损失函数

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Thinking

主体框架是一个编码器，主体解码器和边界解码器。
MSSTC模块：在不增加参数量的情况下捕获多尺度特征，替代编码器的Conv2d
body generation module：主体特征提取模块，不同尺度特征加权融合
edge generation module：边缘特征提取模块，不同stride的sobel卷积，提取多尺度边缘特征拼接融合
对主体、边界、整个roi区域进行监督
主体部分 = 整个roi - canny(边界)
在这里插入图片描述
边界分支提升了 0.6%
实验丰富，数据集多，消融实验多

这篇关于BEA-Net：用于医学图像分割的具有多尺度短期连接的Body and Edge感知网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/522528。

相关文章

W外链微信推广短连接怎么做？

W外链微信推广短连接怎么做？

制作微信推广链接的难点分析 一、内容创作难度 制作微信推广链接时，首先需要创作有吸引力的内容。这不仅要求内容本身有趣、有价值，还要能够激起人们的分享欲望。对于许多企业和个人来说，尤其是那些缺乏创意和写作能力的人来说，这是制作微信推广链接的一大难点。 二、精准定位难度 微信用户群体庞大，不同用户的需求和兴趣各异。因此，制作推广链接时需要精准定位目标受众，以便更有效地吸引他们点击并分享链接
阅读更多...
基于人工智能的图像分类系统

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务，目标是自动识别图像中的对象类别。通过卷积神经网络（CNN）等深度学习技术，我们可以构建高效的图像分类系统，广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统，包括环境
阅读更多...
Linux 网络编程 --- 应用层

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码： 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口，https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor
阅读更多...
poj 1258 Agri-Net（最小生成树模板代码）

poj 1258 Agri-Net（最小生成树模板代码）

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码：效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n
阅读更多...
ASIO网络调试助手之一：简介

ASIO网络调试助手之一：简介

多年前，写过几篇《Boost.Asio C++网络编程》的学习文章，一直没机会实践。最近项目中用到了Asio，于是抽空写了个网络调试助手。 开发环境： Win10 Qt5.12.6 + Asio(standalone) + spdlog 支持协议： UDP + TCP Client + TCP Server 独立的Asio（http://www.think-async.com）只包含了头文件，不依
阅读更多...
如何在Visual Studio中调试.NET源码

如何在Visual Studio中调试.NET源码

今天偶然在看别人代码时，发现在他的代码里使用了Any判断List<T>是否为空。 我一般的做法是先判断是否为null，再判断Count。 看了一下Count的源码如下： 1 [__DynamicallyInvokable]2 public int Count3 {4 [__DynamicallyInvokable]5 get
阅读更多...
2、PF-Net点云补全

2、PF-Net点云补全

2、PF-Net 点云补全 PF-Net论文链接：PF-Net PF-Net （Point Fractal Network for 3D Point Cloud Completion）是一种专门为三维点云补全设计的深度学习模型。点云补全实际上和图片补全是一个逻辑，都是采用GAN模型的思想来进行补全，在图片补全中，将部分像素点删除并且标记，然后卷积特征提取预测、判别器判别，来训练模型，生成的像
阅读更多...
poj 3181 网络流，建图。

poj 3181 网络流，建图。

题意： 农夫约翰为他的牛准备了F种食物和D种饮料。 每头牛都有各自喜欢的食物和饮料，而每种食物和饮料都只能分配给一头牛。 问最多能有多少头牛可以同时得到喜欢的食物和饮料。 解析： 由于要同时得到喜欢的食物和饮料，所以网络流建图的时候要把牛拆点了。 如下建图： s -> 食物 -> 牛1 -> 牛2 -> 饮料 -> t 所以分配一下点： s  =  0， 牛1= 1~
阅读更多...
SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型，它综合考虑了土壤-水分-大气以及植被间的相互作用；是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程，使其能够精确的模拟土壤中水分的运动，而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者
阅读更多...
poj 3068 有流量限制的最小费用网络流

poj 3068 有流量限制的最小费用网络流

题意： m条有向边连接了n个仓库，每条边都有一定费用。 将两种危险品从0运到n-1，除了起点和终点外，危险品不能放在一起，也不能走相同的路径。 求最小的费用是多少。 解析： 抽象出一个源点s一个汇点t，源点与0相连，费用为0，容量为2。 汇点与n - 1相连，费用为0，容量为2。 每条边之间也相连，费用为每条边的费用，容量为1。 建图完毕之后，求一条流量为2的最小费用流就行了
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2