Research on the magnetic resonance imaging brain tumor segmentation algorithm based on DO‐UNet

计算机科学 分割 卷积(计算机科学) 人工智能 图像分割 冗余(工程) 尺度空间分割 保险丝(电气) 算法 模式识别(心理学) 计算机视觉 人工神经网络 电气工程 工程类 操作系统
作者
Tongyuan Huang,Yao Liu
出处
期刊:International Journal of Imaging Systems and Technology [Wiley]
卷期号:33 (1): 143-157 被引量:2
标识
DOI:10.1002/ima.22783
摘要

Abstract With the social and economic development and the improvement of people's living standards, smart medical care is booming, and medical image processing is becoming more and more popular in research, of which brain tumor segmentation is an important branch of medical image processing. However, the manual segmentation method of brain tumors requires a lot of time and effort from the doctor and has a great impact on the treatment of patients. In order to solve this problem, we propose a DO‐UNet model for magnetic resonance imaging brain tumor image segmentation based on attention mechanism and multi‐scale feature fusion to realize fully automatic segmentation of brain tumors. Firstly, we replace the convolution blocks in the original U‐Net model with the residual modules to prevent the gradient disappearing. Secondly, the multi‐scale feature fusion is added to the skip connection of U‐Net to fuse the low‐level features and high‐level features more effectively. In addition, in the decoding stage, we add an attention mechanism to increase the weight of effective information and avoid information redundancy. Finally, we replace the traditional convolution in the model with DO‐Conv to speed up the network training and improve the segmentation accuracy. In order to evaluate the model, we used the BraTS2018, BraTS2019, and BraTS2020 datasets to train the improved model and validate it online, respectively. Experimental results show that the DO‐UNet model can effectively improve the accuracy of brain tumor segmentation and has good segmentation performance.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Adam完成签到,获得积分20
刚刚
Orange应助谢家宝树采纳,获得10
1秒前
2秒前
爱听歌雪旋完成签到 ,获得积分10
2秒前
小二郎应助迷路的小牛马采纳,获得10
3秒前
温乐松发布了新的文献求助10
3秒前
南宫炽滔完成签到 ,获得积分10
3秒前
3秒前
陈冲发布了新的文献求助10
4秒前
orixero应助66666666采纳,获得10
4秒前
白英发布了新的文献求助10
4秒前
二师兄小刘完成签到,获得积分10
4秒前
5秒前
jennie完成签到,获得积分10
5秒前
阿kkk完成签到,获得积分10
6秒前
zzz发布了新的文献求助10
6秒前
一念之间发布了新的文献求助10
6秒前
6秒前
毛豆应助青栞采纳,获得10
7秒前
wxz1998完成签到,获得积分10
7秒前
7秒前
desperate完成签到,获得积分10
7秒前
RUC_Zhao完成签到,获得积分10
8秒前
9秒前
asww发布了新的文献求助10
10秒前
10秒前
冷傲的靖易完成签到,获得积分20
10秒前
汉堡包应助隐形翼采纳,获得10
10秒前
Akim应助tr采纳,获得10
11秒前
HeyHsc完成签到,获得积分10
12秒前
13秒前
sunshine完成签到,获得积分10
13秒前
一念之间完成签到,获得积分10
13秒前
义气白萱完成签到,获得积分20
14秒前
谢家宝树发布了新的文献求助10
15秒前
15秒前
华仔应助ZH采纳,获得10
15秒前
叨叨完成签到,获得积分10
15秒前
充电宝应助优秀乐松采纳,获得10
15秒前
15秒前
高分求助中
Sustainability in Tides Chemistry 2000
The ACS Guide to Scholarly Communication 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Ожившие листья и блуждающие цветы. Практическое руководство по содержанию богомолов [Alive leaves and wandering flowers. A practical guide for keeping praying mantises] 500
A Dissection Guide & Atlas to the Rabbit 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3079267
求助须知:如何正确求助?哪些是违规求助? 2731896
关于积分的说明 7521337
捐赠科研通 2380638
什么是DOI,文献DOI怎么找? 1262413
科研通“疑难数据库(出版商)”最低求助积分说明 611928
版权声明 597414