改进预训练编码器U-Net模型的PET肿瘤自动分割

• 作者: 何慧 陈胜
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 深度学习 正电子发射型断层成像 分割 肿瘤 U-Net
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 医学图像处理
• 页码范围: 171-179
• 页数: 9页
• 分类号: TP391.4
• 字数: 5059字
• 语种: 中文

摘要

目的 为制定放疗计划并评估放疗效果,精确的PET(positron emission tomography)肿瘤分割在临床中至关重要.由于PET图像存在低信噪比和有限的空间分辨率等特点,为此提出一种应用预训练编码器的深度卷积U-Net自动肿瘤分割方法.方法 模型的编码器部分用ImageNet上预训练的VGG19编码器代替;引入基于Jaccard距离的损失函数满足对样本重新加权的需要;引入了DropBlock取代传统的正则化方法,有效避免过拟合.结果 PET数据库共包含1 309幅图像,专业的放射科医师提供了肿瘤的掩模、肿瘤的轮廓和高斯平滑后的轮廓作为模型的金标准.实验结果表明,本文方法对PET图像中的肿瘤分割具有较高的性能.Dice系数、Hausdorff距离、Jaccard指数、灵敏度和正预测值分别为0.862、1.735、0.769、0.894和0.899.最后,给出基于分割结果的3维可视化,与金标准的3维可视化相对比,本文方法分割结果可以达到金标准的88.5％,这使得在PET图像中准确地自动识别和连续测量肿瘤体积成为可能.结论 本文提出的肿瘤分割方法有助于实现更准确、稳定、快速的肿瘤分割.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈胜	上海理工大学光电信息与计算机工程学院	14	62	4.0	7.0
2	何慧	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0