基于深度学习的脑肿瘤分割模型研究.pdfVIP

临沂大学硕士专业学位论文

摘要

深度学习在医学图像处理方向展现出广阔的前景，目前，以U-Net为代表的医学图

像分割模型起到了显著的推动作用。然而，这些方法仍然存在一些局限性：首先，随着

模型规模的不断增大，对计算资源的需求也随之增加，这使得这些模型难以在移动设备

或资源匮乏的地区部署；其次，卷积神经网络在提取特征时存在局限，尤其在处理形状

不规则的病变边界时，无法实现精确分割；最后，模型的训练依赖于大量标注数据，而

在医疗领域，获取大规模的医学图像并不容易，如何在有限的数据条件下确保模型的稳

定性和泛化性？针对上述挑战，本文进行了深入研究，主要内容包括以下几个方面：

（a）针对模型复杂度过高、计算资源消耗过大的问题，提出一种轻量化可分离空间

SSCNPocketNet

卷积网络（）。该模型结合了范式，采用深度可分离卷积替代传统的标

准卷积，从而显著减少了参数数量和计算负担。此外，独特的特征互补模块（FCM）增

强了编码器解码器结构中不同层次特征之间的交互，有效促进了多尺度特征的融合。设-

计了可