ConvUCaps：基于卷积胶囊网络的医学图像分割模型

doi:10.3778/j.issn.1002-8331.2302-0002

摘要/摘要

摘要：在医学影像分割领域，掌中宽带网络是目前最成功和最受关注的方法之一，但是掌中宽带本质上是一种经过改造的全卷积神经网络模型，要获得更为全面和准确的局部-整体关系，不但需要增加网络层次从而加大计算量，而且效果也并不明显。胶囊网络提供了一种有效的建模图像的局部与整体关系的方法，可以用更少的参数取得好的性能。但原始的胶囊网络并没有充分考虑图像局部特征的粒度问题，将其应用在医学图像分割领域还需进一步改造。因此，提出一种将掌中宽带和胶囊网络相结合的医学图像分割模型卷曲该模型对掌中宽带的编码器部分进行改进，使用卷积模块学习不同尺度的局部特征，然后通过胶囊模块学习高层特征，并建模局部与整体之间的关系。实验结果表明，相比U-Net、UNet++、SegCaps、Matwo-CapsNet、ConvUCaps提高了分割精度和收敛速度，同时，与单纯基于胶囊网络的分割模型相比，显著减少了推理时间。

关键词: 医学图像分割, 卷积神经网络, U-Net网络，胶囊网络

摘要：在医学图像分割领域，U-Net网络是目前最成功和最受关注的方法之一。然而，U-Net本质上是一种改进的完全卷积神经网络模型。为了获得更全面、更准确的局部-局部关系，不仅需要提高网络级别，增加计算量，而且效果并不明显。胶囊网络为图像的局部和整体关系建模提供了一种有效的方法，可以用较少的参数获得良好的性能。然而，原始胶囊网络并没有充分考虑图像局部特征的粒度，其在医学图像分割领域的应用需要进一步改进。因此，本文提出了一种将U-Net和胶囊网络相结合的医学图像分割模型ConvUCaps。该模型改进了U-Net的编码部分，使用卷积模块学习不同尺度的局部特征，然后使用胶囊模块学习高层特征并建模局部-整体关系。实验结果表明，与U-Net、UNet++、SegCaps和Matwo-CapsNet网络相比，ConvUCaps网络提高了分割精度和收敛速度。同时，与单纯基于胶囊网络的分割模型相比，推理时间大大缩短。

关键词： 医学图像分割，卷积神经网络， U-Net网络，膜盒网络

邓希泉, 陈刚. 卷曲：基于卷积胶囊网络的医学图像分割模型[J] ●●●●。计算机工程与应用, 2024, 60(8): 258-266.

邓锡泉、陈刚。卷积：基于卷积胶囊网络的医学图像分割模型[J]。计算机工程与应用，2024，60（8）：258-266。

参考文献

[1] 彭璟, 罗浩宇, 赵淦森, 等. 深度学习下的医学影像分割算法综述[J] ●●●●。计算机工程与应用, 2021, 57(3):44-57.
PENG J，LUO H Y，ZHAO G S，et al.深度学习中的医学图像分割算法综述[J]。计算机工程与应用，2021，57（3）：44-57。
[2] ILHAN U，ILHAN A.基于新阈值方法的脑肿瘤分割[J]。Procedia计算机科学，2017，120:580-587。
[3] PRABIN A，VEERAPPAN J.基于CC区域生长的肺部CT图像自动分割[J]。《理论与应用信息技术杂志》，2014，68（1）：63-69。
[4] MAHMOOD N，SHAH A，WAQAS A，等.图像分割方法与边缘检测：在膝关节软骨边缘检测中的应用[J]。《理论与应用信息技术杂志》，2015，71（1）：87-96。
[5] 王荣，雷天，崔荣，等。基于深度学习的医学图像分割研究[J]。IET图像处理，2022，16（5）：1243-1267。
[6] RONNEBERGER O，FISCHER P，BROX T.U-net：用于生物医学图像分割的卷积网络[C]//医学图像计算和计算机辅助干预国际会议论文集，2015:234-241。
[7] LE N，YAMAZAKI K，QUACH K G，等.脑肿瘤检测与分割的多任务上下文残差网络[C]//2020年第25届国际模式识别会议论文集，2021:5943-5950。
[8] 范涛，王刚，李毅，等.MA-NET：肝脏和肿瘤分割的多尺度注意网络[J]。IEEE接入，2020，8:179656-179665。
[9] FAN T，WANG G，WANG X，等.MSN-Net:一种用于肝脏分割的多尺度上下文嵌套U-Net[J]。信号、图像和视频处理，2021年，15:1089-1097。
[10] 郭C，司梅纽M，YI Y，等.Sa-unet:视网膜血管分割的空间注意u-net[C]//2020年第25届模式识别国际会议论文集，2021:1236-1242。
[11] YAHYATABAR M，JOUVET P，CHERIET F.Dense-Unet：胸部X射线图像中肺场分割的光模型[C]//2020年第42届IEEE医学与生物学会工程国际年会论文集，2020年：1242-1245。
[12] SABOUR S，FROSST N，HINTON G E.胶囊之间的动态路由[C]//第31届神经信息处理系统国际会议论文集，2017:3859-3869。
[13] LALONDE R，BAGCI U.对象分割胶囊[J]。arXiv:1804.042412018年。
[14] 拉隆德·R，许Z，IRMAKCI I，等.生物医学图像分割胶囊[J]。医学图像分析，2021，68:101889。
[15] BONHEUR S？TERN D，PAYER C，et al.Matwo-CapsNet:一个多标签语义分割胶囊网络[C]//医学图像计算和计算机辅助干预国际会议论文集，2019:664-672。
[16] LONG J，SHELHAMER E，DARRELL T。语义分割的完全卷积网络[C]//IEEE计算机视觉和模式识别会议论文集，2015:3431-3440。
[17] 张杰，金毅，徐杰，等。多尺度密联U？生物医学图像分割网络[J]。arXiv:1812.003522018年。
[18] OKTAY O，SCHLEMPER J，FOLGOC L L，等.关注U-Net:学习在哪里寻找胰腺[J]。arXiv:1804.039992018年。
[19] ZHOU Z，RAHMAN SIDDIQUEE M M，TAJBAKHSH N，et al.UNet++：一种用于医学图像分割的嵌套U-Net架构[C]//医学图像分析深度学习和临床决策支持的多模式学习论文集，2018:3-11。
[20] ISENSEE F，JAEGER P F，KOHL S A A，等.基于深度学习的生物医学图像分割自构方法[J]。《自然方法》，2021，18（2）：203-211。
[21]MOBINY A，NGUYEN H V.用于肺癌筛查的快速CapsNet[C]//医学图像计算和计算机辅助干预国际会议论文集，2018年：741-749。
[22]何毅，秦伟，吴毅，等.利用胶囊网络从心脏磁共振图像中自动分割左心室[J]。《X射线科学与技术杂志》，2020，28（3）：541-553。
[23]JIMéNEZ-SáNCHEZ A，ALBARQUONI S，MATEUS D.针对医学成像数据挑战的胶囊网络[C]//《血管内成像和计算机辅助支架植入以及生物医学数据的大尺度注释和专家标签合成》，2018:150-160。
[24]SHIRAISHI J，KATSURAGAWA S，IKEZOE J，et al.有肺结节和无肺结节的胸部X线照片数字图像数据库的开发：放射科医生检测肺结节的接收器操作特征分析[J]。美国放射学杂志，2000174（1）：71-74。
[25]BERNARD O，LALANDE A，ZOTTI C，et al.MRI心脏多结构自动分割和诊断的深度学习技术：问题解决了吗？[J] ●●●●。IEEE医学成像汇刊，2018，37（11）：2514-2525。
[26]GINNEKEN B V，STEGMANN M B，LOOG M.使用监督方法分割胸片解剖结构：公共数据库的比较研究[J]。医学图像分析，2006，10（1）：19-40。

卷曲：基于卷积胶囊网络的医学图像分割模型

卷积：基于卷积胶囊网络的医学图像分割模型

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	廉露, 田启川, 谭润, 张晓行.基于神经网络的图像风格迁移研究进展[J] ●●●●。计算机工程与应用, 2024, 60(9): 30-47.
[2]	许智宏, 张天润, 王利琴, 董永峰.融合图谱重构的时序知识图谱推理[J] ●●●●。计算机工程与应用, 2024, 60(9): 181-187.
[3]	杨文涛, 雷雨琦, 李星月, 郑天成.融合汉字输入法的BERT公司BLCG的长文本分类研究[J] ●●●●。计算机工程与应用, 2024, 60(9): 196-202.
[4]	陶林娟, 华庚兴, 李波.基于位置增强词向量和GRU-CNN（美国有线电视新闻网）的方面级情感分析模型研究[J] ●●●●。计算机工程与应用, 2024, 60(9): 212-218.
[5]	王永贵, 王芯茹.融合自注意力和图卷积的多视图群组推荐[J] ●●●●。计算机工程与应用, 2024, 60(8): 287-295.
[6]	孙石磊, 李明, 刘静, 马金刚, 陈天真.深度学习在糖尿病视网膜病变分类领域的研究进展[J] ●●●●。计算机工程与应用, 2024, 60(8): 16-30.
[7]	谢威宇, 张强.基于深度学习的图像中无人机与飞鸟检测研究综述[J] ●●●●。计算机工程与应用, 2024, 60(8): 46-55.
[8]	宋世林, 张学军.脑电信号多特征融合与卷积神经网络算法研究[J] ●●●●。计算机工程与应用, 2024, 60(8): 148-155.
[9]	姜良, 张程, 魏德健, 曹慧, 杜昱峥.深度学习在骨质疏松辅助诊断中的应用[J] ●●●●。计算机工程与应用, 2024, 60(7): 26-40.
[10]	王磊, 杨军, 张驰宇, 代在燕.结合混合注意力的双判别生成对抗网络[J] ●●●●。计算机工程与应用, 2024, 60(7): 212-221.
[11]	袁婧, 潘甦, 谢浩, 徐文鹏.融合投资者情绪的S_AM_BiLSTM预测[J] ●●●●。计算机工程与应用, 2024, 60(7): 274-281.
[12]	呼伟, 徐巧枝, 葛湘巍, 于磊.医学图像分割的无监督域适应研究综述[J] ●●●●。计算机工程与应用, 2024, 60(6): 10-26.
[13]	奉鑫鑫, 高曙.基于多特征增强的手部姿态估计方法[J] ●●●●。计算机工程与应用, 2024, 60(6): 207-213.
[14]	李华超, 康彬, 王磊.常识辅助细粒度数据增强方法[J] ●●●●。计算机工程与应用, 2024, 60(6): 214-221.
[15]	梁浩霖, 潘丹, 曾安, 杨宝瑶, 宋晓伟。个性化动态集成的阿尔茨海默症辅助诊断模型[J] ●●●●。计算机工程与应用, 2024, 60(5): 139-145.