基于U-net的海马体分割算法应用

发布时间：2024-07-06 10:00

　　为促进阿尔兹海默症的诊断及治疗,实现对海马体的精确分割,针对海马体MRI图像,提出一种基于U-net模型改进的分割算法。使用CLAHE等对原始图像进行预处理,经处理后的图像有效提高了分割效果;将残差模块加入实现分割算法的卷积网络,增强网络性能,避免网络性能退化。对原始数据集进行扩充,将扩充后的样本数据用以训练网络,解决数据量的问题。实验结果表明,该算法在脑部MRI图像中对海马体实现了良好的分割效果,能较好辅助医生诊断。

【文章页数】：6 页

【部分图文】：

图1算法流程

本文采用MRI图像作为海马体分割的数据源，算法的整体流程主要包括图像预处理，数据扩充以及基于U-net模型的图像分割3个主要步骤，算法的基本流程如图1所示。1.1图像预处理

图2CLAHE直方图裁剪

传统的直方图算法在对图像的灰度进行分布的过程中，对有用信息以及噪声进行了同样的操作，这使得图像中的噪声得到放大。针对噪声被同步放大的问题，通过限制性对比度自适应直方图均衡算法（contrastlimitedadaptivehistogramequalization,CLA....

图3预处理后的图像

本文通过使用CLAHE算法对图像进行预处理，以达到增强图像对比度的目的，同时运用曲率驱动算法去除图像噪声，从而得到预处理后的图像数据。由于实验采用的脑部MRI图像样本，海马体位置比较固定，因此基于U-net模型输入数据的特点，从每个MRI图像中提取一个128×128的图像块，对其....

图4数据增强

原始数据的数量远不足以训练一个深层次网络，因此在本文中用到了Keras自带的图像数据增强技术，对原始数据做平移、旋转、扭曲等操作进行数据扩充以增加数据样本量。但是通过这些变换得到的图像相对于原始图像在形状上并没有太大的差异。而考虑到真实的脑部MRI图像中，根据海马体的患病程度而导....

本文编号：4002430