Resumen

En los últimos años, el método de segmentación semántica basado en aprendizaje profundo ha brindado un rendimiento avanzado en la segmentación de imágenes médicas. Como una de las redes de segmentación típicas, U-Net se aplica con éxito a la segmentación de imágenes médicas multimodales. En este artículo se propone una red neuronal convolucional residual recurrente con conexión de compuerta de atención (R2AU-Net) basada en U-Net. Mejora la capacidad de integrar información contextual al reemplazar las unidades convolucionales básicas en U-Net por unidades convolucionales residuales recurrentes. Además, R2AU-Net adopta compuertas de atención en lugar de la conexión de salto original. En este artículo, se realizan experimentos en tres conjuntos de datos multimodales: ISIC 2018, DRIVE y un conjunto de datos público utilizado en LUNA y el Kaggle Data Science Bowl 2017. Los resultados experimentales muestran que R2AU-Net logra un rendimiento mucho mejor que otros algoritmos mejorados de U-Net para la segmentación de imágenes médicas multimod

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Segmentación semántica; Aprendizaje profundo; U-Net; Segmentación multimodal de imágenes médicas; R2AU-Net; Puertas de atención
• Keywords:Semantic segmentation; Deep learning; U-Net; Multimodal medical image segmentation; R2AU-Net; Attention gates