深层聚合残差密集网络的超声图像左心室分割

发布时间：2021-06-27 12:01

　　目的超声图像是临床医学中应用最广泛的医学图像之一,但左心室超声图像一般具有强噪声、弱边缘和组织结构复杂等问题,其图像分割难度较大。临床上需要一种效率高、质量好的超声图像左心室分割算法。本文提出一种基于深层聚合残差密集网络（deep layer aggregation for residual dense network,DLA-RDNet）的超声图像左心室分割算法。方法对获取的超声图像进行形态学操作,定位目标区域,得到目标图像。构建残差密集网络（residual dense network,RDNet）用于提取图像特征,并将RDNet得到的层次信息通过深层聚合（deep layer aggregation,DLA）的方式紧密融合到一起,得到分割网络DLA-RDNet,用于实现对超声图像左心室的精确分割。通过深监督（deep supervision,DS）方式为网络剪枝,简化网络结构,提升网络运行速度。结果数据测试集的实验结果表明,所提算法平均准确率为95.68%,平均交并比为97.13%,平均相似性系数为97.15%,平均垂直距离为0.31 mm,分割轮廓合格率为99.32%。与6种分... 

【文章来源】：中国图象图形学报. 2020,25(09)北大核心CSCD

【文章页数】：13 页

【部分图文】：

US心脏图像

本文提出一种深层聚合残差密集网络超声图像左心室分割算法。主要包括图像预处理、网络结构设计和网络剪枝优化3个部分，所提算法原理框架如图2所示。首先，对US图像预处理，使数据集满足网络训练的要求，可分为两个部分:1)根据先验信息在US中确定目标图像的大致位置，避免US中其他组织器官的影响;2)数据集的扩展，防止网络训练过程中过拟合。其次，分割网路的设计也可分为两个部分:1)为了使网络中浅层与深层的特征信息更紧密融合，采用深层聚合(deep layer aggregation,DLA)(Yu等，2018)的网络连接方式，使上采样的过程中丢失更少的细节信息，增加网络的分割精度;2)重新设计下采样网络，结合Res Net(He等，2016)与Dense Net(Huang等，2017)的优势，提出残差密集网络(residual dense network,RDNet)网络，使下采样过程保留更多有用信息。最后，优化神经网络，针对网络的冗余部分，通过深监督(deep supervision,DS)(Lee等，2015)方法实现网络剪枝，简化网络结构，提高神经网络的运行速度。同时，以二元交叉熵与Dice的组合定义网络损失函数，采用Sigmoid函数实现像素级分类，最终形成DLA-RDNet图像分割模型。1.1 数据预处理

2)数据集扩充。根据目标区域确定原图中左心室的位置坐标，同时将左心室四周留10%裕度，得到目标图像，经缩放后输入图像的分辨率变为128×128像素，并对获取的目标图像进行随机镜像、翻转和平移等操作进行数据集扩充，最终得到符合网络要求的训练数据集。1.2 网络结构设计


本文编号：3252808