.png){kind=icon}
返回
ELK-BiONet: Efficient Large-Kernel Convolution Enhanced Recurrent Bidirectional Connection Encoding and Decoding Structure for Skin Lesions Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1002/ima.70172.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
皮肤病变的大小和形状通常表现出显著的可变性，使深度学习网络适应这种可变性对于提高此类病变的分割性能至关重要。编码器-解码器架构已成为深度学习模型中进行语义分割的最常用结构之一。然而，当基于卷积的UNet网络应用于皮肤病变分割时，仍存在几个问题。(1) 传统的小卷积核卷积具有有限的有效感受野，难以适应皮肤病变的尺寸和形状变化。(2) 传统的U-Net架构在深度增加时参数数量会显著增长。(3) 尽管U-Net解码器利用了编码器的特征信息，但解码器提取的特征并未得到充分利用。为解决上述皮肤病变分割任务中UNet面临的问题，我们提出了一种高效的基于大卷积核增强的循环双向连接编码解码结构用于皮肤病变分割（ELK-BiONet）。该方法的主要创新点如下：(1) 我们提出了一种大卷积核方法，在平衡大小感受野的同时保持相对较低的参数数量。(2) 网络以循环方式提取特征信息，允许构建更深的网络架构同时保持整体参数数量近乎恒定。(3) 通过采用双向连接，解码器提取的特征在编码器中得到充分利用，从而增强了网络的分割性能。我们在皮肤病变分割任务上评估了该方法，结果表明我们的ELK-BiONet显著优于其他分割方法。
Keyword:
large kernel convolution
lightweight semantic segmentation
recursive neural networks
skin lesions segmentation
期刊
IF:
2.5
论文数:
2.2K
被引数:
2.3K
机构
引用论文
TransUNet: Rethinking the U-Net architecture design for medical image segmentation through the lens of transformersTransunnet: 通过变形金刚的镜头重新思考医学图像分割的u-net架构设计.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏分享收藏ELA-Net: An Efficient Lightweight Attention Network for Skin Lesion SegmentationEla-net: 一种高效的轻量级关注皮肤损伤分割网络SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏CA-UNet: Convolution and attention fusion for lung nodule segmentationCa-unet: 用于肺结节分割的卷积和注意力融合
PREAI
分享收藏Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based LocalizationGrad-cam: 通过基于梯度的定位从深度网络进行视觉解释OAAI
OAAI分享收藏UNet 3+: A Full-Scale Connected UNet for Medical Image SegmentationUNet 3: 用于医学图像分割的全尺寸连接UNetICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)OAAI
ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏
查看更多内容