利用多模态U形网络的CT图像前列腺分割
计算机断层扫描(computed tomography,CT)可应用于前列腺癌的检查诊断,但是它对软组织结构对比度不高,因此很难从中分割病变;而核磁共振成像(nuclear magnetic resonance imaging,MRI)具有较高的对比度,能为病变提供丰富的影像信息.为了提升CT图像的前列腺分割精度,本文提出一种新的基于深度学习的多模态U形网络图像分割模型MM-unet,充分运用MRI图像与CT图像间信息互补的特点.具体地,首先运用迁移学习思想分别训练MRI与CT图像的初始分割模型,然后通过设计一种新型的多模态损失函数MM-Loss,建立不同模态分割模型之间的联系,联合训练基于MRI与CT图像的MM-unet.为验证所提模型MM-unet的有效性,我们在某合作医院提供的Prostate数据集上进行了实验,实验结果表明,与U-net方法相比,MM-unet能够获得高出3个百分点Dice的CT图像分割精度.
计算机断层扫描图像、核磁共振成像、深度学习、多模态U形网络、单模态U形网络、迁移学习、损失函数、前列腺分割
13
TP18;R318(自动化基础理论)
国家自然科学基金项目61603193,61432008;江苏省自然科学基金面上项目BK20171479;江苏省博士后科学基金1701157B
2018-11-30(万方平台首次上网日期,不代表论文的发表时间)
共8页
981-988