一种针对膝关节CT图像分割的卷积神经网络

摘要：

针对现有的膝关节CT图像分割方法耗时长、精度低的问题,文中提出一种改进U?Net的卷积神经网络.首先,该网络将添加批归一化层的残差模块作为U?Net编码过程的主要单元,以增加对图像特征的提取能力,克服网络训练过程中可能产生的梯度消失和梯度爆炸问题;其次,把Attention U?Net中的注意力门加入到U?Net解码过程的前3个阶段,在尽量减少网络复杂性的同时突出模型对图像重要特征的学习;最后,该网络结合Adam一阶优化算法和Focal Loss损失函数实现膝关节CT图像的精准分割.在膝关节CT图像数据集上,Dice系数、IOU系数精度分别达到96.5％,93.4％,豪斯多夫距离减小到(3.2±1.3)mm.相比U?Net和SegNet模型,文中算法在膝关节CT图像的分割方面精度更高,网络训练时间减少,平均预测每张图像的效率也有较大提高.

关键词：图像分割、膝关节CT图像、卷积神经网络、医学图像处理、残差模块、注意力门、U-Net、损失函数

所属期刊栏目：45

分类号：TN911.73⁃34;TP391.41

资助基金：安徽省高校协同创新项目;安徽省自然科学基金面上项目;安徽省自然科学基金面上项目;安徽省自然科学基金面上项目;安徽省科技重大专项项目

在线出版日期：2022-09-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：133-137