组卷积轻量级脑肿瘤分割网络

发布时间：2025-02-11 20:57

　　 目的脑肿瘤是一种严重威胁人类健康的疾病。利用计算机辅助诊断进行脑肿瘤分割对于患者的预后和治疗具有重要的临床意义。3D卷积神经网络因具有空间特征提取充分、分割效果好等优点,广泛应用于脑肿瘤分割领域。但由于其存在显存占用量巨大、对硬件资源要求较高等问题,通常需要在网络结构中做出折衷,以牺牲精度或训练速度的方式来适应给定的内存预算。基于以上问题,提出一种轻量级分割算法。方法使用组卷积来代替常规卷积以显著降低显存占用,并通过多纤单元与通道混合单元增强各组间信息交流。为充分利用多显卡协同计算的优势,使用跨卡同步批量归一化以缓解3D卷积神经网络因批量值过小所导致的训练效果差等问题。最后提出一种加权混合损失函数,提高分割准确性的同时加快模型收敛速度。结果使用脑肿瘤公开数据集BraTS2018进行测试,本文算法在肿瘤整体区、肿瘤核心区和肿瘤增强区的平均Dice值分别可达90.67%、85.06%和80.41%,参数量和计算量分别为3.2 M和20.51 G,与当前脑肿瘤分割最优算法相比,其精度分别仅相差0.01%、0.96%和1.32%,但在参数量和计算量方面分别降低至对比算法的1/12和1/73。结...

【文章页数】：12 页

【部分图文】：

图2 完整网络结构示意图

在常规卷积中,输出层的每一通道均由输入层的所有通道经过卷积运算得到,而组卷积将通道分为多组后进行卷积操作,减少了特征层和卷积核之间的联系,大大降低参数量。如图4(b)所示,以组数为3、卷积核尺寸为3×3×3的组卷积为例,首先将具有Cin通道的输入层分为3组,每组通道数为Cin/3....

图3 基于组卷积和残差结构的MFS单元示意图

图2完整网络结构示意图pa=k×(4×Cin/4×Cmid/4+

图4 组卷积与多纤单元的结构示意图

4×Cmid/4×Cout/4)(1)式中,k为卷积核尺寸。整个网络呈稀疏连接,普通卷积的参数量

图5 通道混合单元的原理细节图

组卷积层如从不同组获得输入数据,则每组的输出层将和其他的输入层更好地关联。以两次的组数为4的组卷积操作为例,如图5(a)所示,普通组卷积每次的输出层仅与同组的输入层有关,加入了通道混合单元后如图5(b)所示,对于第1次的输出层,先将每个组中的通道分为4个子组,将所有子组逐一提....

本文编号：4033842