基于ConA-FPN的肝脏肿瘤检测算法

TP391; 深度学习方法在病灶检测任务中被广泛应用,但因肝脏肿瘤较小和样本较少的问题,导致无法达到辅助诊断的准确率要求.针对以上问题,提出基于ConA-FPN的肝脏肿瘤检测算法,具体过程为:使用融合ResNet和注意力机制的特征金字塔替换Faster R-CNN中的特征提取网络;使用融合特征解决特征金字塔中的高层模块通道信息损失问题,通过添加CAG注意力机制解决了特征融合带来的特征混叠问题,增强模型对小肿瘤的检测能力;使用迁移学习和数据增强提升模型在小数据集上的检测能力和泛化能力.实验结果表明,ConA-FPN在LITS2017和3D-IRCADB上的平均精度达到87.43％,明显优于主流检...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 2; pp. 161 - 169
Main Authors 马金林, 毛凯绩, 马自萍, 邓媛媛, 欧阳轲, 陈勇
Format Journal Article
LanguageChinese
Published 北方民族大学 计算机科学与工程学院,银川 750021 15.01.2024
图像图形智能处理国家民委重点实验室,银川 750021%北方民族大学 计算机科学与工程学院,银川 750021%北方民族大学 数学与信息科学学院,银川 750021%宁夏医科大学总医院 放射介入科,银川 750004
Subjects
小目标
特征融合
小数据集
肝脏肿瘤
ConA-FPN
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2107-0235

Cover

More Information
Summary:TP391; 深度学习方法在病灶检测任务中被广泛应用,但因肝脏肿瘤较小和样本较少的问题,导致无法达到辅助诊断的准确率要求.针对以上问题,提出基于ConA-FPN的肝脏肿瘤检测算法,具体过程为:使用融合ResNet和注意力机制的特征金字塔替换Faster R-CNN中的特征提取网络;使用融合特征解决特征金字塔中的高层模块通道信息损失问题,通过添加CAG注意力机制解决了特征融合带来的特征混叠问题,增强模型对小肿瘤的检测能力;使用迁移学习和数据增强提升模型在小数据集上的检测能力和泛化能力.实验结果表明,ConA-FPN在LITS2017和3D-IRCADB上的平均精度达到87.43％,明显优于主流检测模型.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2107-0235