10.11772/j.issn.1001-9081.2020030390
基于改进U-Net的关节滑膜磁共振图像的分割
为了准确诊断滑膜炎患者病情,医生主要依靠手工标注和勾画的方法来提取磁共振图像(MRI)中的滑膜增生区域,该方法耗时长、效率低,具有一定的主观性且图像信息利用率低.针对这一问题,提出了一种新的关节滑膜分割算法,即2D ResU-net分割算法.首先,将残差网络(ResNet)中的两层结构的残差块融入到U-Net中,构建2D ResU-net;然后,将样本数据集分为训练集和测试集,而后对训练集进行数据增广;最后,将增广后的所有训练样本用于网络模型的训练.为了检测模型的分割效果,选取测试集中含滑膜炎的断层图像进行分割测试,最终平均分割精度指标可达到:Dice相似系数(DSC)69.98%,交并比(IOU)指标79.90%,体积重叠误差(VOE)系数12.11%.与U-Net算法相比,2D ResU-net算法的DSC系数提升了10.72%,IOU指标升高了4.24%,VOE系数降低了11.57%.实验结果表明,该算法对于MRI图像中的滑膜增生区域可以实现较好的分割效果,能够辅助医生对病情做出及时诊断.
滑膜炎、磁共振图像、医学图像分割、数据增广、U-Net
40
TP391.41(计算技术、计算机技术)
上海纽迈电子科技有限公司企业横向项目2017KFR0107
2020-11-23(万方平台首次上网日期,不代表论文的发表时间)
共6页
3340-3345