Resumen

La segmentación de imágenes médicas (IS) es un campo de investigación en procesamiento de imágenes. Se utilizan métodos de aprendizaje profundo para segmentar automáticamente órganos, tejidos o regiones tumorales en imágenes médicas, lo que puede ayudar a los médicos en el diagnóstico de enfermedades. Dado que la mayoría de los modelos de IS basados en redes neuronales convolucionales (CNN) son modelos bidimensionales, no son adecuados para imágenes médicas tridimensionales. Por el contrario, el modelo de segmentación tridimensional tiene problemas como una estructura de red compleja y una gran cantidad de cálculos. Por lo tanto, este estudio introduce el módulo de convolución dilatada comprimida autoexcitada (SECDC) sobre la base de la red 3D U-Net y propone un modelo mejorado de red 3D U-Net. En el módulo SECDC, la cantidad de cálculos del modelo se puede reducir mediante 111 convoluciones. Combinando convoluciones normales y convoluciones de cavidad con una tasa de expansión de 2 se pueden extraer las

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Segmentación de imágenes médicas; Métodos de aprendizaje profundo; Red neuronal convolucional; Red U-Net 3D; Módulo SECDC; Segmentación de tumores cerebrales.
• Keywords:Medical image segmentation; Deep learning methods; Convolutional neural network; 3D U-Net network; SECDC module; Brain tumor segmentation.