融合残差Inception与双向ConvGRU的皮肤病变智能分割

root 提交于 周一, 08/07/2023 - 22:01
由于皮肤病病灶的形状、颜色以及纹理差异极大,且边界不明确,使得传统深度学习方法很难对其进行准确分割。因此本文提出了一种融合残差Inception与双向卷积门控循环单元 (Convolutional gated recurrent unit, ConvGRU)的皮肤病变智能分割模型。首先设计了一种云边协同的皮肤病变智能分割服务网络模型,通过该网络模型,用户可以获得快速、准确的分割服务;其次,构建了一种新的皮肤病变智能分割模型,通过融合残差Inception与双向ConvGRU,该模型能融合不同尺度特征,提高模型特征提取能力,并能充分利用底层特征与语义特征之间的关系,捕获更丰富的全局上下文信息,取得更好的分割性能;最后,在ISIC 2018数据集上的实验结果表明,所提出的智能分割模型与近期提出的几种U-Net扩展模型相比,取得了更高的准确率与Jaccard系数。

相关内容

发布日期 08/04/2020 - 01:35
发布日期 08/04/2020 - 01:35
发布日期 10/17/2023 - 23:16
发布日期 02/18/2025 - 20:47
发布日期 01/18/2025 - 20:37
发布日期 01/31/2024 - 13:01
发布日期 02/29/2024 - 16:35