![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
超声图象中乳腺病变区域分割
文章平均质量分 92
解读近三年的乳腺超声分割文章,针对重要代码进行复现
Philo`
一个人至少拥有一个梦想,有一个理由去坚强。心若没有栖息的地方,到哪里都是在流浪。
展开
-
C-Net:用于乳腺超声图像分割的具有全局指导和细化残差的级联卷积神经网络
乳腺病灶分割是计算机辅助诊断系统的重要一步。然而,散斑噪声、异质结构和相似的强度分布给乳腺病灶分割带来了挑战。在本文中,我们提出了一种集成 U-net、双向注意引导网络(BAGNet)和细化残差网络(RFNet)的新型级联卷积神经网络,用于乳腺超声图像中的病变分割。具体来说,我们首先使用 U-net 生成一组包含低级和高级图像结构的显着图。然后,使用双向注意力引导网络从显着性图中捕获全局(低级)和局部(高级)特征之间的上下文。全局特征图的引入可以减少周围组织对病变区域的干扰。原创 2023-10-17 17:13:45 · 2141 阅读 · 2 评论 -
GG-Net: 超声图像中乳腺病变分割的全局指导网络
超声波自动乳腺病灶分割有助于诊断乳腺癌,这是影响全球女性的可怕疾病之一。由于固有的散斑伪影、模糊的乳腺病变边界以及乳腺病变区域内的不均匀强度分布,从超声图像中准确分割乳腺区域是一项具有挑战性的任务。最近,卷积神经网络(CNN)在医学图像分割任务中表现出了显着的效果。然而,CNN 中的卷积运算通常集中于局部区域,其捕获输入超声图像的远程依赖性的能力有限,导致乳腺病变分割精度下降。在本文中,我们开发了一种配备全局引导块(GGB)和乳腺病灶边界检测(BD)模块的深度卷积神经网络,用于增强乳腺超声病灶分割。原创 2023-10-09 21:15:26 · 12313 阅读 · 7 评论