如需要完整文档点击下方 "点击下载文档" 按钮

深度学习在细胞核分割中具有重要作用，但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题，本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络（UNet）作为基本结构，以深度可分离残差卷积（DSRC）模块作为特征编码，避免丢失细胞核边界信息；特征解码引入坐标注意力（CA）加强特征空间上远程距离，突出细胞核位置的关键信息；最后，设计语义信息融合（SIF）模块整合深浅层特征，改善分割效果。在2018数据科学碗（DSB2018）和三阴乳腺癌（TNBC）数据集上分别进行实验，所提方法的精确率在两个数据集上分别为92.01%、89.21%，灵敏度为90.09%、91.10%，平均交并比为89.01%、89.12%。实验结果表明，本文所提方法能有效分割细胞核细微区域，提升分割准确度，为临床诊断提供可靠依据。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于卷积和注意力机制的医学细胞核图像分割网络》

将 完整文档 下载到本地，方便收藏和查阅

文件号：124845

点击下载文档