通道注意力联合增强卷积U型网络的图像分割_纪建兵.pdf
《通道注意力联合增强卷积U型网络的图像分割_纪建兵.pdf》由会员分享,可在线阅读,更多相关《通道注意力联合增强卷积U型网络的图像分割_纪建兵.pdf(3页珍藏版)》请在咨信网上搜索。
1、2023年第04期(2023年04月)No.04 2023176基于深度学习的图像分割方法主要是通过构建和训练卷积神经网络提取图像语义特征进而实现逐像素分类。目前,应用最广泛的网络之一是由Ronneberger等1提出的U-Net,然而当分割目标在图像中仅占很小的一部分且个体差异较大时,使用该网络容易产生目标信息丢失及特征冗余等问题,致使分割结果存在较大不确定性。针对上述问题的现有改进方法主要有强化特征提取和特征过滤机制。现有的强化特征提取方法(如多尺度特征融合2、密集金字塔3等)通常需要增加较多神经网络层,容易导致算法对计算机硬件依赖过大。而特征过滤机制(如CBAM4、AG5等)主要是在网络
2、中嵌入新模块来提升分割准确度,但在局部信息容易丢失的情况下,其实际有效性仍需进一步探索。为提升小目标图像的分割准确度,提出一种通道注意力联合增强卷积U型网络(channel attention and enhanced convolution U-shape network,CEU-Net),以U-Net结构为基础,在每级采样中以增强卷积模块(EC)优化特征信息提取,并在跳跃连接中嵌入通道注意力模块(CA)对特征进行自动筛选。为了评价网络性能,以NIH胰腺分割公开数据集进行验证。1 分割网络CEU-Net整体结构如图1所示。特征图由下采样过程的最大池化降维缩减分辨率,再通过上采样重构特征分辨率
3、,形成相同层级具有相同分辨率的对称结构,最后经核为11的卷积层和Softmax函数输出与输入图像同等分辨率的分割概率图谱。相对于标准U-Net,CEU-Net主要改进部分在于:(1)通过改进残差连接构建了EC模块,使网络对小目标特征提取更加充分;(2)在每个层级的跳跃连接中嵌入CA模块,使网络能够自动筛选浅层特征。图1 CEU-Net网络结构1.1 EC模块深度学习网络对图像的分割需要以大量特征信息收集为前提,对于特征不明显的小目标对象,则需要更加丰富和有效的特征信息帮助网络学习和理解。直接增加网络参数的扩大特征数据场方式会给网络带来大量的额外计算开销,导致网络难以训练且容易发生过拟合。为了使
4、网络对小目标对象特征的提取更加充分并且能够保证计算性能,通过改进残差连接6构建EC模块强化特征提取。首先,在每一层的卷积之后加入BN(Batch Normalization,批量数据归一化)以加快网络收敛并使特征图尽可能接近原始分布,再结合ReLU激活函数形成了Conv-BN-ReLU的卷积块结构;然后,将连续的两个块输出以短跳方式连接。如图2(下页)中所示,EC模块与原始残差连接的不同点在于,其最终输出是将第一个卷积块的特征提取结果与第二个卷积块的输出进行逐元素相加。该方式除了能够在一定程度缓解梯度消失和梯度爆炸外,将不同卷积块提取的特征以层级递进方式进行叠加输出,在无需施加增加额外参数的前
5、提下更有利于加强有效特征信息的留存,进而丰富小目https:/ OF HEIHE UNIVERSITYdoi:10.3969/j.issn.1674-9499.2023.04.050通道注意力联合增强卷积U型网络的图像分割纪建兵1陈纾2杨媛媛3(1.福建商学院 信息工程学院,福建 福州 350012;2.福州大学 物理与信息工程学院,福建 福州 350108;3.福建医科大学附属协和医院 基本外科,福建 福州 350001)摘 要:为提升小目标图像分割性能,提出一种通道注意力联合增强卷积的改进U-Net网络。该网络以增强卷积模块丰富目标特征信息提取,结合通道注意力加强网络对目标特征的专注学习,
6、从而更有效捕捉小目标对象的深层次特征。NIH数据集上的实验结果表明,提出网络在保证计算效率的同时,有效提升了Dice系数、召回率和精确率,能够更好地用于小目标图像分割。关键词:深度学习;通道注意力;增强卷积;U-Net;图像分割中图分类号:TP391.9 文献标志码:A 文章编号:1674-9499(2023)04-0176-032023年第04期(2023年04月)No.04 2023177自然科学研究标特征的提取。图2 残差连接和EC模块(a.原始残差连接结构 b.EC模块结构)1.2 CA模块虽然EC模块丰富了特征场中的信息,但与分割目标无关的冗余信息也会不同程度的被放大,因此还需对网络
7、的浅层特征进行筛选。特征空间中的多通道特征数据由不同卷积核计算生成,根据各通道对分割目标的贡献程度不同,对特征通道进行加权处理可以在保留局部特征完整性为前提过滤冗余特征。设计的CA模块结构如图3所示。Xk为第k层下采样过程的EC模块输出,其分辨率为HWC,C为通道数。注意力系数0,1,计算方法见式(12):(1)(2)式中,G是Xk经过全局平均池化后得到的个数为C的通道特征向量,再经两个全连接层生成通道注意力系数。为减少模块参数,的参数量默认以C/4进行定义。1为ReLU激活函数,即1(x)=max(0,x)。2以Hard-Sigmoid归一化函数定义,即2(x)=max(0,min(1,(x
8、+1)/2),这是因为Hard-Sigmoid相比Sigmoid函数具有更快的计算性能,在全连接层产生额外计算开销的情况下可以平衡网络的综合负载。模块的最终输出为Xk。图3 CA模块结构CA模块中的参数通过梯度反向传播进行更新,由EC模块提取的浅层特征经过不同层级CA模块筛选后,与分割目标弱相关的通道响应受到了抑制,在浅层与深层的语义连接中仅保留了与目标相关特征通道的激活。网络从不同层级增强特征提取并通过层层过滤融合到上采样过程,从而更有效地捕捉小目标对象的深层次特征。2 实验设计2.1 实验环境实验环境为DELL T7910 工作站,Window10 操作系统,配置一张Nivida GTX
9、1060Ti显卡,开发语言使用Python3.7,主要实验框架为Tensorflow。2.2 数据预处理以NIH胰腺分割数据集进行验证,该数据集公开可用,且常被用于小目标医学图像分割实验。数据集中包含了82例腹部3D增强CT扫描影像(下称CT-82),图像分辨率为512512像素,由专业人员对图像中的目标区域进行逐层标注。数据预处理过程先将数据解压为2D图像,然后由中心裁剪法将CT图和真实标记图统一裁剪为256256像素;再使用直方图均衡化增加CT图像对比度后执行标准化,并对标记数据进行独热编码7;最后通过线性插值统一缩放为128128像素分辨率。2.3 评价指标采用集合相似度系数(Dice)
10、、召回率(Recall)和精确率(Precision)三个指标评价网络性能。设TP为真阳性,FP为假阳性,FN为假阴性,各指标定义为式(35)。(3)(4)(5)Dice度量了预测分割结果与真实标记的相似程度,是评价分割准确度最关键指标,Recall反映网络对正例像素的查全能力,Precision反映网络对正例像素的查准能力。2.4 训练配置使用Adam优化器进行训练优化,批量大小为50,最大迭代轮数为150轮。损失函数为交叉熵损失函数,在损失值明显稳定时停止训练。为了增强网络泛化能力8,训练过程加入非线性变换对训练数据进行增广,变换方法组包括:逆时针旋转90度、左右镜像、上下镜像、左右镜像后
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 通道 注意力 联合 增强 卷积 网络 图像 分割 纪建兵
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。