计算机应用

作者：周迪, 张自力, 陈佳, 胡新荣, 何儒汉, 张俊

单位：1.武汉纺织大学 计算机与人工智能学院, 武汉 430200；2.武汉纺织大学 湖北省服装信息化工程技术研究中心, 武汉 430200；3.武汉纺织大学 纺织服装智能化湖北省工程研究中心, 武汉 430200；4.武汉工程大学 计算机科学与工程学院, 武汉 430205

关键词：语义分割,U-Net,EfficientNetV2,物体上下文表示,胃癌

基金：湖北省教育厅科学技术研究计划项目(B2017066)

针对U-Net上采样过程容易丢失细节信息，以及胃癌病理图像数据集普遍偏小，容易出现过拟合的问题，提出一种基于改进U-Net的自动分割胃癌病理图像模型EOU-Net。EOU-Net在U-Net模型的基础上，将EfficientNetV2作为骨干特征提取网络，以增强网络编码器的特征提取能力。在解码阶段，基于物体上下文表示（OCR）探究细胞像素间的关系，并使用改进后的OCR模块解决上采样图像的细节丢失问题；然后，使用验证阶段增强（TTA）后处理对输入图像进行翻转和不同角度旋转后分别预测这些图像，再通过特征融合的方式将多个输入图像预测结果进行合并，进一步优化网络的输出结果，从而有效解决医学数据集较小的问题。在SEED、BOT以及PASCAL VOC 2012数据集上的实验结果表明，与OCRNet相比，EOU-Net的平均交并比（MIoU）分别提高了1.8、0.6以及4.5个百分点。可见EOU-Net能得到更准确的胃癌图像分割结果。

来源：2023年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第9期