综合应用Faster R-CNN和U-net的心脏MRI图像分割
为解决现有MRI神经网络分割中存在因输入端图像信息多样导致分割精度下降的问题,提出了引入Faster R-CNN和U-net机制的MRI 图像分割方法.选择公开心脏MRI分割挑战赛数据集ACDC和SCD,清洗和修改数据集格式后送入后续神经网络.首先,应用Faster R-CNN对目标图像进行检测,以对原始输入图像进行预处理,并去掉冗杂的背景信息.其次,对预处理后的图像进行U-net分割,同时为检验引入Faster R-CNN后,对分割网络的性能和精度是否提高,采用了消融实验和对比实验.消融实验去掉了U-net分割网络中的检测裁剪模块,选择U-net及其改进网络分别做一组消融实验结果.实验结果表明,新方法的平均交并比和Dice 系数在ACDC数据集上为0.89 和0.94,分别提高了7.3%和5%,在SCD数据集上为0.96和0.98,分别提高了5%和3%,实现了MRI 图像的自动预处理和分割.
U-net、Faster R-CNN、MRI、分割算法、深度学习
50
TP391(计算技术、计算机技术)
2023-09-06(万方平台首次上网日期,不代表论文的发表时间)
共9页
303-311