基于深度学习的膝关节MR图像自动分割方法
膝关节磁共振图像的自动分割具有重要的临床需求,图像中分割目标的大小不同为精准分割带来了挑战.基于深度学习,提出一种端到端的DRD U-Net.以残差模块作为基本模块,增加了对特征的复用能力.利用并行的扩张卷积模块获取不同的感受野,克服了U-Net模型单一感受野的局限性,提高了对不同大小目标的分割能力.设计多输出融合的深监督模块,直接利用不同层次的特征实现了信息互补,提高了分割区域的连贯性和准确性.在OAI-ZIB数据集上测试,平均分割表面距离为0.2mm,均方根表面距离为0.43 mm,豪斯多夫距离为5.22 mm,平均戴斯系数(DSC)为93.05%,重叠误差为3.86%.相比于基线U-Net和其他现有模型,所提方法在膝关节股骨、胫骨、股骨软骨、胫骨软骨的分割方面都取得了更高的精度.
医学图像分割、膝关节、磁共振图像、深度学习、卷积神经网络
41
TP29;TH7(自动化技术及设备)
国家重点研发计划;国家自然科学基金;中央高校基本科研业务费资助
2020-11-16(万方平台首次上网日期,不代表论文的发表时间)
共10页
140-149