基于稠残U-net神经网络在定位CT图像上自动分割甲状腺的研究

摘要：

目的 基于深度学习方法提出一种稠残U-net神经网络,探讨其在放疗定位CT上自动预测甲状腺轮廓的可行性,以减少放疗中甲状腺所受辐射剂量,降低甲减发生率.方法 在U-net网络中引入残差机制和稠密连接机制建立一种稠残U-net网络.选取76名患者定位CT图像的甲状腺切片制作数据集,随机划分为训练集58例、验证集9例和测试集9例,对稠残U-net进行训练、验证和测试,得到稠残U-net自动预测甲状腺的结果.通过戴斯相似性系数(Dice)、杰卡德相似系数(Jaccard))和豪斯多夫距离(HD)等评价指标来评估其分割性能.结果 稠残U-net预测甲状腺的Dice值为0.86±0.09、Jaccard值为0.78±0.12、HD值为2.52±0.61,且预测的轮廓边界与专家勾画的标准边界非常接近.结论 本文提出的稠残U-net能在定位CT图像上较为精准地预测甲状腺轮廓,且证明在卷积神经网络中引入残差机制和稠密连接机制能提高其分割性能.

关键词：卷积神经网络;残差块;稠密连接;甲状腺;CT图像

所属期刊栏目：41

分类号：R318.04(医用一般科学)

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：42-48