CDSE-UNet：利用 Canny 边缘检测与双路径 SENet 特征融合增强 COVID-19 CT 图像分割
图像与视频处理
2024-03-05 v1 计算机视觉与模式识别
摘要
COVID-19 CT 图像的准确分割对于降低 COVID-19 感染相关的严重程度和死亡率至关重要。针对 COVID-19 CT 图像中病灶区域边界模糊和高变异性的特征，我们引入了 CDSE-UNet：一种新颖的基于 UNet 的分割模型，该模型集成了 Canny 算子边缘检测和双路径 SENet 特征融合机制。该模型通过在样本图像中采用 Canny 算子进行边缘检测，并将其与用于语义特征提取的类似网络结构并行处理，从而增强了标准 UNet 架构。一项关键创新是双重 SENet 特征融合块，它应用于对应的网络层，以有效地融合来自两条图像路径的特征。此外，我们开发了一种多尺度卷积方法，替代了 UNet 中的标准卷积，以适应病灶大小和形状的多样性。这一补充不仅有助于准确分类病灶边缘像素，还显著改善了通道区分度并扩大了模型的容量。我们在公开数据集上的评估表明，CDSE-UNet 优于其他领先模型，特别是在分割大小病灶区域、准确描绘病灶边缘以及有效抑制噪声方面。
引用
@article{arxiv.2403.01513,
title = {CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion},
author = {Jiao Ding and Jie Chang and Renrui Han and Li Yang},
journal= {arXiv preprint arXiv:2403.01513},
year = {2024}
}