基于DenseUnet模型的核磁共振图像下肛提肌的自动分割

• 作者: 向永嘉 吴毅 张小勤 胡昕 刘静静 雷玲 王延洲 王艳
• 来源期刊: 第三军医大学学报
• 关键词: 卷积神经网络 图像分割 智能辅助诊断
• 年，卷（期）: 2021,（18）
• 所属期刊栏目: 专题报道:数字医学与人工智能|Monographic Reports:Digital medicine and artificial intelligence
• 页码范围: 1720-1728
• 页数: 9页
• 分类号: R312|R322.46|R445.2
• 语种: 中文
• DOI: 10.16016/j.1000-5404.202102089

摘要

目的 基于盆底的核磁共振图像(MRI),构建深度学习自动分割模型,进行盆底MRI图像的智能分割研究,以提高肛提肌分割效率和精准度.方法 以DenseUnet模型为主干,搭建一个主要由编码器模块、上下文提取模块和解码器模块3部分组成的网络结构;在上下文提取模块中,通过使用空洞卷积和金字塔池化模块克服Unet较少利用上下文信息及不同感受野下的全局信息的缺点,通过19例患者的MRI数据,包括14例正常女性盆底MRI影像、1例盆腔脏器脱垂1度(pelvic organ prolapse degree 1,POP1)患者和2例盆腔脏器脱垂2度(POP2)患者作为训练集,并使用1例正常女性盆底MRI影像和1例POP2女性盆底MRI影像进行验证.结果 构建模型能够自动、有效地分割盆底MRI图像中的肛提肌,通过验证,测试集中肛提肌总的平均相似性系数值为77.1％,平均豪斯多夫距离值为16 mm,平均对称面距离值为0.9 mm.其中正常志愿者肛提肌的平均相似性系数值为81.2％,POP2肛提肌的平均相似性系数值为74.5％.结论 构建的DenseUnet模型分割精度优于Unet、ResUnet和Unet++3个经典的网络模型,在MRI图像下肛提肌的自动分割任务中具有较强的实用价值.