《表1 编码器及瓶颈层的参数设置》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割》
本文依据U-Net架构结合残差双注意力模块设计了一种新型深度分割模型,其网络结构如图2所示,由编码器、瓶颈层、解码器和分类器组成,编码器由RDA模块和最大池化层级联组成,用于提取图像语义特征。其中最大池化层的作用是实现下采样,扩大神经元感受野以获取高阶语义信息;瓶颈层包括两个卷积层,用于编码器和解码器之间的过渡;解码器由RDA模块和反卷积层级联组成,用于特征重构,其中反卷积的作用是实现上采样,提高特征图分辨率;分类器包括1×1卷积层和softmax层,用于产生估计前后背景的概率图,其中1×1卷积的作用是通道数降维,softmax层用于逐像素计算类别概率。编码器和解码器同级特征图之间进行跳跃连接,为特征重构提供了丰富的像素实例级别信息。另外,对于每个卷积,采用零填充卷积(而非无填充),以保持特征图尺寸的大小相同。所有卷积层使用批量归一化(batch normalization,BN)[15],可以防止梯度暴涨或消失,提升网络的泛化性能。表1为编码器和瓶颈层的网络结构和参数设置,解码器采用与编码器相类似的参数设置。
图表编号 | XD00163361400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.05 |
作者 | 徐宏伟、闫培新、吴敏、徐振宇、孙玉宝 |
绘制单位 | 南京信息工程大学自动化学院江苏省大气环境与装备技术协同创新中心、中国人民解放军63936部队、东部战区总医院医学工程科、东部战区总医院泌尿外科、南京信息工程大学自动化学院江苏省大气环境与装备技术协同创新中心 |
更多格式 | 高清、无水印(增值服务) |