10.16016/j.2097-0927.202211045
基于Vgg16-Unet模型的MRI图像下前列腺分区智能分割研究
目的 基于前列腺核磁共振图像(MRI),构建深度学习智能分割模型,展开MRI图像下前列腺分区的智能分割研究.方法 收集山西省肿瘤医院2018年1月至2020年10月33例经MRI扫描的前列腺癌患者T2WI本地数据,包括T1期6例,T2期15例,T3期9例,T4期3例.选取荷兰奈梅亨拉德堡德大学医学中心提供的前列腺MRI公开数据集中前列腺癌患者的T2WI序列数据,共379例数据,所有数据按照7:1:2的比例随机划分为训练集265例、验证集38例和测试集76例.在Unet模型基础上以Vgg16模型为编码器,使用多层卷积层的同时利用迁移学习策略,构建Vgg16-Unet模型,以医师手工勾画和标注的前列腺分区(前纤维基质带、中央带、外周带、移形带)为金标准,在测试集上,采用Dice 相似系数(Dice similarity coefficient,DSC)、95%豪斯多夫距离(95%Hausdorff surface Distance,HD95)评估模型对前列腺分区的分割精度.结果 模型在测试集上对前纤维基质带、中央带、外周带、移形带实现了较为准确的分割,其平均DSC分别为56.95%、47.28%、80.78%、90.63%,平均HD95分别为20.84、20.02、15.39、11.20 mm.模型智能分割与手工标注测量的体积一致性较好,其差值均位于95%一致性区间内.结论 构建的Vgg16-Unet模型分割精度优于Unet、Unet++、ResUnet++3个Unet经典变种网络.能够显著提高前列腺癌MRI图像分割效率,减轻医师工作量.
深度学习、前列腺肿瘤、智能分割、核磁共振成像
45
R312;R445.2;R737.25(医用一般科学)
2023-08-08(万方平台首次上网日期,不代表论文的发表时间)
共9页
1441-1449