基于深度学习的颈动脉超声图像斑块分割算法
中风是全球范围内导致死亡人数最多的疾病之一,动脉粥样硬化生长和衰退的监测对中风发生的危险预测具有重要意义.准确获取颈动脉斑块轮廓是斑块监测和易损性分析的基础.因此,本文基于二维超声提出一种深度学习的颈动脉斑块的自动分割方法(U-PResNet)来精确获取斑块轮廓.U-PResNet对U-Net网络结构进行改进,并融合了残差网络和PReLU激活函数.采用624张二维超声图像进行了实验,结果显示U-PResNet分割斑块轮廓与人工来分割轮廓非常接近,平均Dice相似性系数为89.45±3.45%+3.45%,斑块面积误差为1.32+1.29 mm2,Pearson相关性系数为r=0.994(p<0.01),且运行时间为16 ms,可以较好地满足临床的实时性要求.该研究结果表明,U-PResNet方法有望用于临床监测斑块的生长或衰退,为斑块易损性的分析打下基础.
颈动脉斑块、超声图像、深度学习、自动分割
18
TP391(计算技术、计算机技术)
国家自然科学基金项目编号:81571754
2020-08-28(万方平台首次上网日期,不代表论文的发表时间)
共9页
45-53