基于2D DenseU-net的核磁共振海马体分割

• 作者: 张荣 时佳丽 李小宝 郭立君 高琳琳
• 来源期刊: 影像科学与光化学
• 关键词: U-net 梯度消失 DenseU-net 密集连接 海马体
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 综述与论文
• 页码范围: 336-348
• 页数: 13页
• 字数: 7621字
• 语种: 中文
• DOI: 10.7517/issn.1674-0475.190601

摘要

针对深层U-net网络易出现梯度消失以及存在特征重用率低的问题,本文提出一种2DDenseU-net海马体分割算法框架,融合了DenseNet和U-net两种网络结构.通过在U-net中构建当前层与前面所有层的密集连接,有效缓解了深层U-net易出现梯度消失的问题,并加强了特征传播与特征复用;DenseU-net在发挥密集连接优势的同时,保持了U-net网络中下采样和上采样的长连接结构,有助于保存浅层信息.此外,针对海马体存在比例少、体积小、边缘不清晰等特点,本文对数据样本依次进行正样本数据增强、尺寸均等剪切以及去除无效样本、边缘采样的特殊处理,有效解决了正负样本失衡问题并强化了海马体细节信息,保证获取完整的特征用于网络训练.在公开数据集ADNI(Alzheimer's Disease Neuroimaging Initiative)上的实验结果表明,本文方法能够达到92.63％的平均分割Dice精度,优于传统的海马体分割方法以及目前流行的一些基于深度学习的海马体分割模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张荣	宁波大学信息科学与工程学院	40	113	6.0	8.0
2	郭立君	宁波大学信息科学与工程学院	36	158	8.0	11.0
3	时佳丽	宁波大学信息科学与工程学院	1	0	0.0	0.0
4	高琳琳	宁波大学信息科学与工程学院	1	0	0.0	0.0
5	李小宝	宁波大学信息科学与工程学院	4	8	2.0	2.0