-
题名基于改进U-Net深度网络的超声正中神经图像分割
被引量：6
- 1
-
-
作者
田宝园
程怿
蔡叶华
陈可
施俊
徐树公
张麒
-
机构
上海先进通信与数据科学研究院(上海大学)
上海大学通信与信息工程学院生物医学工程研究所
复旦大学附属华山医院超声科
-
出处
《自动化仪表》
CAS
2020年第8期36-41,共6页
-
基金
国家自然科学基金资助项目(61671281,61911530249)。
-
文摘
超声成像作为常见的医学成像技术,在诊断和治疗疾病方面发挥着重要作用。人工判读超声图像依赖于医生主观经验知识,其结果存在观察者间和观察者内的差异,并且过程耗时耗力,难以满足快速、批量的临床诊断需求。随着人工智能的快速发展,基于深度学习的图像分割模型被广泛地应用于医学图像分割领域,并取得了不俗成果。基于U-Net深度神经网络,对其结构进行优化改进,构建适用于超声图像正中神经分割的卷积神经网络模型。在网络中添加了规范层和丢弃层,下采样的最大池化层替换成卷积层;同时,采用指数线性单元激活函数,使用循环学习率,以增加网络模型的鲁棒性。测试结果表明,改进的U-Net模型在超声正中神经图像的自动分割方面表现良好,横切面、纵切面的Dice系数分别达到了78%与89%。该方法有望用于临床超声神经图像的辅助分析。
-
关键词
超声成像
人工智能
深度学习
图像分割
U-Net
神经网络
正中神经
循环学习率
-
Keywords
Ultrasound imaging
Artificial intelligence
Deep learning
Image segmentation
U-Net
Neural network
Median nerve
cyclic learning rate
-
分类号
TH-77
[机械工程]
-
