《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。