结合全卷积网络和GrowCut的肾皮质分割算法
目的 肾脏图像分割对于肾脏疾病的诊断有着重要意义,临床上通过测量肾皮质的体积和厚度可判断肾脏是否有肿瘤、慢性动脉硬化性肾病和肾移植急性排斥反应等.现有的肾脏分割算法大多针对一种模态,且只能分割出肾脏整体.本文提出一种基于全卷积网络和GrowCut的肾皮质自动分割算法,用于多模态肾脏图像分割.方法 首先用广义霍夫变换对肾脏进行检测,提取出感兴趣区域,通过数据增强扩充带标签数据;然后用VGG-16预训练模型进行迁移学习,构建适用于肾皮质分割的全卷积网络,设置网络训练参数,使用扩充数据训练网络.最后用全卷积网络分割图像,提取最后一层卷积层的特征图得到种子点标记,结合肾脏图像的先验知识纠正错误种子点,将该标记图作为GrowCut初始种子点可实现肾皮质准确分割.结果 实验数据为30组临床CT和MRI图像,其中一组有标记的CT图像用于训练网络并测试算法分割准确性,该文算法分割准确率IU(region intersection over union)和DSC(Dice similarity coefficient)分别达到91.06％ ±2.34％和91.79％ ±2.39％.与全卷积网络FCN-32s相比,本文提出的网络参数减少,准确率更高,可实现肾皮质分割.GrowCut算法考虑像素间的邻域信息,与全卷积网络结合可进一步将分割准确率提高3％.结论 该方法可准确分割多模态肾脏图像,包括正常和变异肾脏的图像,说明该方法优于主流方法,能够为临床诊断提供可靠依据.
肾皮质分割、全卷积网络、GrowCut、VGG-16、迁移学习、数据增强
22
TP391(计算技术、计算机技术)
国家自然科学基金项目61271112National Natural Science Foundation of China 61271112
2017-11-10（万方平台首次上网日期，不代表论文的发表时间）
共10页
1418-1427
