CN111242288B - 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 - Google Patents

一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 Download PDF

Info

Publication number
CN111242288B
CN111242288B CN202010044826.3A CN202010044826A CN111242288B CN 111242288 B CN111242288 B CN 111242288B CN 202010044826 A CN202010044826 A CN 202010044826A CN 111242288 B CN111242288 B CN 111242288B
Authority
CN
China
Prior art keywords
convolution
module
layer
neural network
loss
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010044826.3A
Other languages
English (en)
Other versions
CN111242288A (zh
Inventor
汪晓妍
王璐瑶
钟幸宇
黄晓洁
白琮
夏明�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010044826.3A priority Critical patent/CN111242288B/zh
Publication of CN111242288A publication Critical patent/CN111242288A/zh
Application granted granted Critical
Publication of CN111242288B publication Critical patent/CN111242288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，对采集到的图片进行数据增强预处理并划分为训练集和验证集；将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；特征提取向下卷积结束，与编码器特征融合中通道数相同的尺度相同的对应输出拼接融合，每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；把各个尺度的概率进行融合相加，得到最终输出概率；训练神经网络。本发明能够充分利用病变图像的语义信息和局部信息，最终实现病变图像的分割。

Description

一种用于病变图像分割的多尺度并行深度神经网络模型构建 方法
技术领域
本发明涉及人工智能计算机视觉的神经网络技术领域，特别涉及一种用于病变图像分割的多尺度并行深度神经网络模型构建方法。
技术背景
语义分割是医学图像分析的基本任务之一，也是图像的三维重建和病变识别等任务的先决步骤。卷积神经网络(CNN)由于其强大的特征表示能力而在计算机视觉领域取得了重大突破，然而其需要庞大的注释数据，而对生物医学成像进行注释不仅费时费力，而且需要专家的先验知识，因此在生物医学领域内缺少包含大量注释的数据集。因此，卷积神经网络的性能不能达到令人满意的程序，复杂的模型总会过拟合，而浅层简单的模型又容易拟合不足。
近年来，编码器-解码器体系结构的模型在生物医学图像领域占据了主导地位。该结构的关键在于它的跳连结构，跳连的主要目的是融合多层，同时获得深层丰富的语义信息和浅层准确的位置关系，因此，该结构也被证实能够在网络中获得有效的性能。U-Net网络模型是一个用在生物医学领域的含有跳连结构的模型之一，可以在比较少的数据集上训练并能得到比较令人满意的语义分割效果，避免了过拟合，并且在复杂背景下也能生成精确的目标蒙版，在一些医学图像上得到了很好的实现效果。
但是在更深的层中包含更丰富的语义信息，仅通过简单的跳连使得编码器和解码器之间存在巨大的语义鸿沟，并且在输出阶段，解码器中的不同比例尺的特征图并没有得到很好的利用。
发明内容
为了解决背景技术中的问题，本发明提出一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，这是一种端到端的网络，由基于VGG11的Unet、编码器特征融合模块和解码器特征融合模块构成，该网络在编码器-解码器体系结构中丰富了编码器到解码器的语义和多尺度上下文信息。
本发明解决其技术问题所采用的技术方案是：
一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，所述的方法包括以下步骤：
步骤1：数据集的选择与采集；
步骤2：对采集到的图片进行数据增强预处理，增强网络的泛化能力；
步骤3：对采集到的图片划分为训练集和验证集；
步骤4：将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；
步骤5：在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；
步骤6：特征提取向下卷积结束，与编码器特征融合中通道数相同的尺度相同的对应输出拼接融合，再输入到解码器特征融合模块；
步骤7：每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；
步骤8：把步骤7中的各个尺度的概率进行融合相加，得到最终输出概率；
步骤9，训练神经网络，采用对应数据集中的图像多次训练所述的并行神经网络架构。
本发明的有益效果表现：在病变分割任务中可以利用充分利用语义信息和局部信息，从而提升深度神经网络的性能。
附图说明
图1是目标分割的网络结构示意图。
图2是注意机制的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种用于病变分割的多尺度并行深度神经网络模型构建方法，所述的方法包括以下步骤：
步骤1：采集与选择含有不同病灶的眼底图像数据集。所采集的数据集是IDRiD数据集，该数据集是位于印度马哈拉施特拉邦的一家眼科诊所的视网膜专家拍摄的眼底图像集，其提供了糖尿病性视网膜病的黄斑水肿的信息。
步骤2：对数据集中的图像进行数据增强预处理。具体采用的数据增强方法包括正则化图片大小、图片的随机裁减、水平翻转、灰度变化、伽马变换、弹性变换、旋转变换、透视变换以及添加高斯噪声。
步骤3：将数据集划分为训练集和测试集。
步骤4：特征提取部分具体为：c1卷积层，p1第一次下采样，c2卷积层，p2第二次下采样，c3s、c3两层卷积层，p3第三次下采样，c4s、c4两层卷积层，p4第四次下采样,c5s、c5两层卷积层，p5第五次下采样。
步骤5：编码器特征融合模块是在Inception模块的基础上进行的改进。Inception模块的网络结构如图2所示，可以实现增加网络深度和宽度的同时减少参数，但是提取的语义信息过于粗粒化。本发明所提出的编码器特征融合模块采用inception模块通过不同卷积核提取不同感受野特征的思想。具体为：分别在c1、c2、c3、c4、c5后分别连接attention1、attention2、attention3、attention4、attention5模块，其中每个attention模块中包括四组不同核的卷积层和imagepool模块，如图2所示：卷积层中的卷积核分别为1*1，3*3,5*5,7*7，来捕获不同感受野的语义信息，减少信息损失；imagepool模块包括自适应池化层和两组卷积层，其中每组卷积层包括批量标准化层、卷积运算和relu激活函数。
步骤6：特征提取向下卷积结束，与编码器特征融合中通道数相同的尺度相同的对应输出拼接融合，再输入到解码器特征融合模块。
步骤7：解码器特征融合模块具体为：对c5连接反卷积模块，得到Unet的center部分，center与attention5合并进行连接反卷积模块，得到dec5，dec5与attention4合并连接反卷积模块得到dec4，dec4与attention3合并连接反卷积模块得到dec3，dec3与attention2合并连接反卷积模块得到dec2，dec2与attention1合并连接反卷积模块得到dec1。最后将dec1、dec2、dec3、dec4、dec5分别进行1*1卷积将通道数降维至1，得到out1、out2、out3、out4、out5，并将五个结果相加得到最终值。
步骤8：把步骤7中的各个尺度的概率进行融合相加，得到最终输出概率。
步骤9，训练神经网络。采用对应数据集中的图像多次训练所述的并行神经网络架构。其中采用Lovasz-softmax损失函数和交叉熵损失函数结合进行反向传播训练。其中Lovasz-softmax损失函数是基于IOU的损失函数，在分割任务中的效果优于交叉熵损失函数，IOU是两个区域重叠的部分除以两个区域的集合部分得出的结果。具体计算公式如下：
Loss＝BCELoss+0.5*Lovasz_hinge_loss；
其中，BCELoss是二分类交叉熵损失函数，Lovasz_hinge_loss是结合lovaszhinge的Jaccard loss，lovasz_hinge loss是两者的加权求和，即本发明所提出的损失函数；
BCELoss：
Figure BDA0002368995580000041
其中，p是一张图片的像素数量，yi *是像素i在标签图中的类别，fi(yi *)是像素i的标签图概率的网络概率估计，f是fi(c)的所有输出的向量；
Lovasz_hinge_loss：
Figure BDA0002368995580000051
其中，F是预测值(-1到1之间)，m(F)＝＝max(1-t·y*,0)，y*是目标值(1或-1)，ΔJ1指的是二分类中的前景类，
Figure BDA0002368995580000052
是Δ的紧凸闭包。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (2)

1.一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，其特征在于，所述的方法包括以下步骤：
步骤1：数据集的选择与采集；
步骤2：对采集到的图片进行数据增强预处理，增强网络的泛化能力；
步骤3：对采集到的图片划分为训练集和验证集；
步骤4：将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；
步骤5：在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；
步骤6：特征提取向下卷积结束，与编码器特征融合模块中通道数相同的尺度相同的对应输出拼接融合，再输入到解码器特征融合模块；
步骤7：每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；
步骤8：把步骤7中的各个尺度的概率进行融合相加，得到最终输出概率；
步骤9，训练神经网络，采用对应数据集中的图像多次训练所述的用于病变图像分割的多尺度并行深度神经网络模型；
所述步骤1中，采集与选择含有不同病灶的图像数据集；
所述步骤4：特征提取部分为：c1卷积层，p1第一次下采样，c2卷积层，p2第二次下采样，c3s、c3两层卷积层，p3第三次下采样，c4s、c4两层卷积层，p4第四次下采样,c5s、c5两层卷积层，p5第五次下采样；
所述步骤5中，编码器特征融合模块是在Inception模块的基础上进行的改进，所述编码器特征融合模块采用inception模块通过不同卷积核提取不同感受野特征的思想，分别在c1、c2、c3、c4、c5后分别连接attention1、attention2、attention3、attention4、attention5模块，其中每个attention模块中包括四组不同核的卷积层和imagepool模块，卷积层中的卷积核分别为1*1，3*3,5*5,7*7，来捕获不同感受野的语义信息，减少信息损失；imagepool模块包括自适应池化层和两组卷积层，其中每组卷积层包括批量标准化层、卷积运算和relu激活函数；
所述步骤7中，所述解码器特征融合模块对c5连接反卷积模块，得到Unet的center部分，center与attention5合并进行连接反卷积模块，得到dec5，dec5与attention4合并连接反卷积模块得到dec4，dec4与attention3合并连接反卷积模块得到dec3，dec3与attention2合并连接反卷积模块得到dec2，dec2与attention1合并连接反卷积模块得到dec1；最后将dec1、dec2、dec3、dec4、dec5分别进行1*1卷积将通道数降维至1，得到out1、out2、out3、out4、out5，并将五个结果相加得到最终值；
所述步骤9中，采用Lovasz-hinge损失函数和交叉熵损失函数结合进行反向传播训练，Lovasz-hinge损失函数是基于IOU的损失函数，在分割任务中的效果优于交叉熵损失函数，IOU是两个区域重叠的部分除以两个区域的集合部分得出的结果，计算公式如下：
Loss＝BCELoss+0.5*Lovasz_hinge_loss；
其中，BCELoss是交叉熵损失函数，Lovasz_hinge_loss是结合lovasz hinge的Jaccardloss，lovasz_hinge loss是两者的加权求和，即所提出的损失函数；
BCELoss：
Figure FDA0004111082480000021
其中，p是一张图片的像素数量，yi *是像素i在标签图中的类别，fi(yi *)是像素i的标签图概率的网络概率估计，f是fi(c)的所有输出的向量；
Lovasz_hinge_loss：
Figure FDA0004111082480000022
其中，F是预测值，其取值为-1到1之间，m(F)＝＝max(1-t·y*,0)，y*是目标值，其取值为1或-1，ΔJ1指的是二分类中的前景类，
Figure FDA0004111082480000023
是Δ的紧凸闭包。
2.如权利要求1所述的一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，其特征在于，所述步骤2中，数据增强方法包括正则化图片大小、图片的随机裁减、水平翻转、灰度变化、伽马变换、弹性变换、旋转变换、透视变换以及添加高斯噪声。
CN202010044826.3A 2020-01-16 2020-01-16 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 Active CN111242288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010044826.3A CN111242288B (zh) 2020-01-16 2020-01-16 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010044826.3A CN111242288B (zh) 2020-01-16 2020-01-16 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法

Publications (2)

Publication Number Publication Date
CN111242288A CN111242288A (zh) 2020-06-05
CN111242288B true CN111242288B (zh) 2023-06-27

Family

ID=70868727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010044826.3A Active CN111242288B (zh) 2020-01-16 2020-01-16 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法

Country Status (1)

Country Link
CN (1) CN111242288B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738324B (zh) * 2020-06-12 2023-08-22 汕头大学 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法
CN111784682B (zh) * 2020-07-10 2024-05-28 北京医智影科技有限公司 用于对图像进行自动处理的网络架构系统、程序载体和工作站
CN112132778B (zh) * 2020-08-12 2024-06-18 浙江工业大学 一种基于空间传递自学习的医学图像病变分割方法
CN112347927B (zh) * 2020-11-06 2022-12-13 天津市勘察设计院集团有限公司 基于卷积神经网络概率决策融合的高分影像建筑提取方法
CN112489001B (zh) * 2020-11-23 2023-07-25 石家庄铁路职业技术学院 基于改进的深度学习的隧道渗水检测方法
CN112465924B (zh) * 2020-12-11 2023-09-29 上海科技大学 一种基于多特征融合的快速医学图像重构方法
CN113177913A (zh) * 2021-04-15 2021-07-27 上海工程技术大学 基于多尺度u型神经网络的焦炭显微光学组织提取方法
CN113537456B (zh) * 2021-06-15 2023-10-17 北京大学 一种深度特征压缩方法
CN113865859B (zh) * 2021-08-25 2024-05-14 西北工业大学 多尺度多源异构信息融合的齿轮箱状态故障诊断方法
CN114203295B (zh) * 2021-11-23 2022-05-20 国家康复辅具研究中心 脑卒中风险预测干预方法及系统
CN114494891B (zh) * 2022-04-15 2022-07-22 中国科学院微电子研究所 一种基于多尺度并行检测的危险品识别装置和方法
CN115393730B (zh) * 2022-07-15 2023-05-30 南京林业大学 一种火星陨石坑精确识别方法、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109840471A (zh) * 2018-12-14 2019-06-04 天津大学 一种基于改进Unet网络模型的可行道路分割方法
CN109902748A (zh) * 2019-03-04 2019-06-18 中国计量大学 一种基于多层信息融合全卷积神经网络的图像语义分割方法
CN110110719A (zh) * 2019-03-27 2019-08-09 浙江工业大学 一种基于注意层区域卷积神经网络的目标检测方法
CN110263833A (zh) * 2019-06-03 2019-09-20 韩慧慧 基于编码-解码结构的图像语义分割方法
CN110298841A (zh) * 2019-05-17 2019-10-01 同济大学 一种基于融合网络的图像多尺度语义分割方法及装置
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110648334A (zh) * 2019-09-18 2020-01-03 中国人民解放军火箭军工程大学 一种基于注意力机制的多特征循环卷积显著性目标检测方法
CN110689543A (zh) * 2019-09-19 2020-01-14 天津大学 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109840471A (zh) * 2018-12-14 2019-06-04 天津大学 一种基于改进Unet网络模型的可行道路分割方法
CN109902748A (zh) * 2019-03-04 2019-06-18 中国计量大学 一种基于多层信息融合全卷积神经网络的图像语义分割方法
CN110110719A (zh) * 2019-03-27 2019-08-09 浙江工业大学 一种基于注意层区域卷积神经网络的目标检测方法
CN110298841A (zh) * 2019-05-17 2019-10-01 同济大学 一种基于融合网络的图像多尺度语义分割方法及装置
CN110263833A (zh) * 2019-06-03 2019-09-20 韩慧慧 基于编码-解码结构的图像语义分割方法
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110648334A (zh) * 2019-09-18 2020-01-03 中国人民解放军火箭军工程大学 一种基于注意力机制的多特征循环卷积显著性目标检测方法
CN110689543A (zh) * 2019-09-19 2020-01-14 天津大学 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Kaiyou Song.Multi-Scale Attention Deep Neural Network for Fast Accurate Object Detection.《TCSVT 2018》.2018,全文. *
Xiaoyan Wang.Automatic Carotid Artery Detection Using Attention Layer Region-Based Convolution Neural Network.《International Journal of Humanoid Robotics 2019》.2019,全文. *
张泽中.MIFNet:基于多尺度输入与特征融合的胃癌病理图像分割方法.《计算机应用》.2019,全文. *

Also Published As

Publication number Publication date
CN111242288A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111242288B (zh) 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法
CN107273800B (zh) 一种基于注意机制的卷积递归神经网络的动作识别方法
CN109685819B (zh) 一种基于特征增强的三维医学图像分割方法
CN113807355A (zh) 一种基于编解码结构的图像语义分割方法
CN110223304B (zh) 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
CN116309648A (zh) 一种基于多注意力融合的医学图像分割模型构建方法
CN113706545A (zh) 一种基于双分支神经判别降维的半监督图像分割方法
CN114048822A (zh) 一种图像的注意力机制特征融合分割方法
CN114373094A (zh) 一种基于弱监督学习的门控特征注意力等变分割方法
CN113159236A (zh) 基于多尺度变换的多聚焦图像融合方法及装置
CN113192076A (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN113436198A (zh) 一种协同图像超分辨率重建的遥感图像语义分割方法
CN114445620A (zh) 一种改进Mask R-CNN的目标分割方法
CN110992309B (zh) 基于深层信息传递网络的眼底图像分割方法
CN116596966A (zh) 一种基于注意力和特征融合的分割与跟踪方法
Yao et al. SSNet: A novel transformer and CNN hybrid network for remote sensing semantic segmentation
Umer et al. Breast cancer classification and segmentation framework using multiscale CNN and U‐shaped dual decoded attention network
Cui et al. SCU‐Net++: A Nested U‐Net Based on Sharpening Filter and Channel Attention Mechanism
Alharbi et al. Learning interpretation with explainable knowledge distillation
CN110599495A (zh) 一种基于语义信息挖掘的图像分割方法
CN114022494A (zh) 一种基于轻型卷积神经网络和知识蒸馏的中医舌图像自动分割方法
CN113052810B (zh) 一种适用于移动应用的小巧医学影像病灶分割方法
Fan et al. EGFNet: Efficient guided feature fusion network for skin cancer lesion segmentation
Wang et al. Lgvit: Local-global vision transformer for breast cancer histopathological image classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant