一种应用在生物医学图像分割的融合模型

摘要

近年来,深度学习给医学图像分割带来了突破。U-Net和Residual U-Net是这方面最突出的深度网络,是医学影像界最流行的架构。尽管在多模态医学图像分割方面整体表现突出,但研究发现在原有网络的基础上还可以进行提升。因此,提出了一种融合的思想,并在U-Net和Residual U-Net对提出的思想进行了实验。为尽可能减少模型的参数量,研究采用了共享的策略,将参数量控制在合理的范围内。最后,比较了提出的融合模型与经典的U-Net和Residual U-Net在细胞边缘分割数据集和乳腺分割两个数据集上表现的效果。仿真结果表明融合后的模型比融合前的模型有了更好的表现。