基于深度学习的二维心脏超声图像分割模型在小规模数据集上的性能评估

• 作者: 林天予 宋亮 高智凡 张贺晔
• 来源期刊: 暨南大学学报（自然科学与医学版）
• 学科: 工学
• 关键词: 深度学习 心脏超声 医学图像分割 小规模数据集
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 医学影像与人工智能
• 页码范围: 191-198
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11778/j.jdxb.2022.02.010

摘要

目的:评估一种心脏超声分割算法:密集金字塔和深度监督神经网络(DPS-Net),在小规模数据集上的分割性能.方法:利用两个小规模心脏超声数据集,用于多结构超声分割的心脏超声采集(CAMUS)和HMC-QU数据集,在数据量和模型不同的情况下分别对DPS-Net进行对比实验.结果:DPS-Net在两个数据集上的性能随病例数的减少并未显著降低(在CAMUS中Dice系数由0.951下降到0.935),且其分割能力超过两种经典算法,取得了更好的分割结果.结论:DPS-Net在小规模数据集上也能很好地完成心脏超声分割任务,具有良好的临床应用潜力.