面向MRI的膝关节软骨识别及缺损区域面积估算

这是一篇关于膝关节软骨分割,MRI图像,卷积神经网络,三维重建,定量分析的论文, 主要内容为膝关节软骨局部性缺损是一种严重的骨关节炎疾病,膝关节软骨局部性缺损的程度不同,也会使软骨病灶区域的形态、体积和表面积不同。因此,对膝关节软骨缺损区域进行量化,可辅助医生制定手术方案。MRI图像的组织分辨率良好,可使组织及病变成像,是诊断骨关节炎的主要成像方式。但是在膝关节MRI图像中骨头与软骨和周围肌肉、韧带等组织的对比度低,不能有效的分割目标组织和背景;而且缺损病灶目标小且受周围组织影响,分割时容易忽略病灶区域;此外为了对膝关节软骨缺损区域量化评估,传统方式是通过对缺损区域逐张手工描记,再通过类似于微积分的方式求体积和表面积,这种方法效率非常低,而且不够直观。针对以上三个问题,本文提出了一种改进的U型网络结构对膝关节MRI图像中的组织及软骨局部缺损区域进行分割,然后对分割后的图像进行三维重建并对目标物体进行定量评估。本文具体工作内容如下:首先,本文在原U-Net网络的基础上,提出一种改进的多尺度信息融合网络模型。把空洞空间卷积池化金字塔模块(ASPP)融入网络中,该模块的引入可以用不同采样率的空洞卷积通过并行的方式对特征进行提取,以多个尺度捕捉图像的上下文,有效解决膝关节组织错分的问题。其次,本文改进了U-Net网络编码部分和解码部分特征的融合方式,提出了一种新的特征融合方法(FFM),将深层语义特征与浅层边缘特征更好的融合,增强对缺损病灶区域目标的特征选择,解决了分割时易忽略缺损区域小目标的问题。再次,对三维重建方法进行学习探究,并使用面绘制方法中的移动立方体算法对自动分割后的膝关节组织进行三维重建并定量评估,快速得到患者软骨和软骨缺损处所占的体积及外表面积等相关参数,并得到较为形象直观的膝关节立体三维模型。最后,为了验证本文算法的有效性,本文在人体膝关节临床数据集上进行了消融实验,通过实验结果可以表明,本文所改进的各个模块在一定程度上均能提高分割精度。此外,本文与其他经典的类U-Net算法进行对比,本文算法分割精度等指标有明显的优势,证明了本文算法的有效性。然后通过动物实验验证了本文定量评估方法的可行性,并对比分析了本文算法和医生手工测量的患者膝关节软骨缺损区域的体积以及表面积,结果表明本文算法的准确性在临床的可接受范围内。

面向MRI的膝关节软骨识别及缺损区域面积估算

这是一篇关于膝关节软骨分割,MRI图像,卷积神经网络,三维重建,定量分析的论文, 主要内容为膝关节软骨局部性缺损是一种严重的骨关节炎疾病,膝关节软骨局部性缺损的程度不同,也会使软骨病灶区域的形态、体积和表面积不同。因此,对膝关节软骨缺损区域进行量化,可辅助医生制定手术方案。MRI图像的组织分辨率良好,可使组织及病变成像,是诊断骨关节炎的主要成像方式。但是在膝关节MRI图像中骨头与软骨和周围肌肉、韧带等组织的对比度低,不能有效的分割目标组织和背景;而且缺损病灶目标小且受周围组织影响,分割时容易忽略病灶区域;此外为了对膝关节软骨缺损区域量化评估,传统方式是通过对缺损区域逐张手工描记,再通过类似于微积分的方式求体积和表面积,这种方法效率非常低,而且不够直观。针对以上三个问题,本文提出了一种改进的U型网络结构对膝关节MRI图像中的组织及软骨局部缺损区域进行分割,然后对分割后的图像进行三维重建并对目标物体进行定量评估。本文具体工作内容如下:首先,本文在原U-Net网络的基础上,提出一种改进的多尺度信息融合网络模型。把空洞空间卷积池化金字塔模块(ASPP)融入网络中,该模块的引入可以用不同采样率的空洞卷积通过并行的方式对特征进行提取,以多个尺度捕捉图像的上下文,有效解决膝关节组织错分的问题。其次,本文改进了U-Net网络编码部分和解码部分特征的融合方式,提出了一种新的特征融合方法(FFM),将深层语义特征与浅层边缘特征更好的融合,增强对缺损病灶区域目标的特征选择,解决了分割时易忽略缺损区域小目标的问题。再次,对三维重建方法进行学习探究,并使用面绘制方法中的移动立方体算法对自动分割后的膝关节组织进行三维重建并定量评估,快速得到患者软骨和软骨缺损处所占的体积及外表面积等相关参数,并得到较为形象直观的膝关节立体三维模型。最后,为了验证本文算法的有效性,本文在人体膝关节临床数据集上进行了消融实验,通过实验结果可以表明,本文所改进的各个模块在一定程度上均能提高分割精度。此外,本文与其他经典的类U-Net算法进行对比,本文算法分割精度等指标有明显的优势,证明了本文算法的有效性。然后通过动物实验验证了本文定量评估方法的可行性,并对比分析了本文算法和医生手工测量的患者膝关节软骨缺损区域的体积以及表面积,结果表明本文算法的准确性在临床的可接受范围内。

基于目标检测和语义分割的腰椎定位与分割技术研究

这是一篇关于MRI图像,腰椎,目标检测,语义分割,注意力机制的论文, 主要内容为国家卫健委发布的数据显示,我国腰椎疾病患者已经突破2亿,而且腰椎疾病的诊断又十分依赖医学图像,但是医学图像的手工标注存在费时费力的痛点。为了有效减轻巨大的发病人群对有限的医疗资源所造成的压力,迫切需要研究能够自动且准确地对腰椎医学图像进行标记的算法,为此本文提出了一种基于目标检测和语义分割的腰椎定位与分割模型,具体研究内容如下:考虑到腰椎与胸椎结构相连,而且两者在MRI图像中椎体形态十分相似,为了尽量降低腰椎以外其他区域的影响,先借助目标检测模型对原始MRI图像进行处理,获得检测到五块腰椎体的矩形预测框,完成对腰椎的定位。本文选择YOLOv5目标检测模型作为改进的基础,考虑到不同健康状况的椎体尺度差异较大,设计了新的多尺度特征提取模块ARDI(Asymmetric Residual Dilation Inception)以提升YOLOv5的特征提取能力,实验证明,改进后的模型在腰椎体检测任务中提升了检测准确率。由于腰椎体的边缘较为复杂,且骨折椎体更甚,为了解决椎体边缘复杂对语义分割模型带来的挑战,本文在U-Net的基础上借鉴PANet(Path Aggregation Network)的路径增强设计理念,同时引入空间注意力模块设计了空间注意力路径增强U-Net(Spatial Attention Path Augmentation U-Net,SAPAU-Net)语义分割模型。空间注意力模块可以使模型对腰椎体区域的特征更加关注,并抑制其他不相干区域的影响。PANet的路径增强结构可以提升U-Net解码器的解码能力和特征聚合度,还能将浅层的强定位特征传递上去以弥补深层特征图缺少位置信息的缺陷。SAPAU-Net语义分割模型可以从不同的主干层对不同的检测层进行参数聚合,使得模型在语义信息和定位信息两方面均有很强的特征融合能力,实验证明,SAPAU-Net在腰椎体分割任务中提升了分割准确率。本文把改进后的腰椎检测模型和腰椎分割模型共同组合起来设计了双阶段腰椎定位与分割模型,第一阶段的检测网络把输入的原始腰椎MRI图像检测后添加上掩膜,只保留含有五个腰椎体的矩形预测框;第二阶段的分割网络对掩膜腰椎MRI图像进行细致分割,得到以椎体边缘为界限的分割结果。检测阶段所添加的掩膜可有效促使分割阶段的网络专注于五块腰椎体区域,实验证明,双阶段腰椎定位与分割模型在腰椎体的分割标记任务中比单独使用语义分割模型提升了分割准确率。

面向MRI的膝关节软骨识别及缺损区域面积估算

这是一篇关于膝关节软骨分割,MRI图像,卷积神经网络,三维重建,定量分析的论文, 主要内容为膝关节软骨局部性缺损是一种严重的骨关节炎疾病,膝关节软骨局部性缺损的程度不同,也会使软骨病灶区域的形态、体积和表面积不同。因此,对膝关节软骨缺损区域进行量化,可辅助医生制定手术方案。MRI图像的组织分辨率良好,可使组织及病变成像,是诊断骨关节炎的主要成像方式。但是在膝关节MRI图像中骨头与软骨和周围肌肉、韧带等组织的对比度低,不能有效的分割目标组织和背景;而且缺损病灶目标小且受周围组织影响,分割时容易忽略病灶区域;此外为了对膝关节软骨缺损区域量化评估,传统方式是通过对缺损区域逐张手工描记,再通过类似于微积分的方式求体积和表面积,这种方法效率非常低,而且不够直观。针对以上三个问题,本文提出了一种改进的U型网络结构对膝关节MRI图像中的组织及软骨局部缺损区域进行分割,然后对分割后的图像进行三维重建并对目标物体进行定量评估。本文具体工作内容如下:首先,本文在原U-Net网络的基础上,提出一种改进的多尺度信息融合网络模型。把空洞空间卷积池化金字塔模块(ASPP)融入网络中,该模块的引入可以用不同采样率的空洞卷积通过并行的方式对特征进行提取,以多个尺度捕捉图像的上下文,有效解决膝关节组织错分的问题。其次,本文改进了U-Net网络编码部分和解码部分特征的融合方式,提出了一种新的特征融合方法(FFM),将深层语义特征与浅层边缘特征更好的融合,增强对缺损病灶区域目标的特征选择,解决了分割时易忽略缺损区域小目标的问题。再次,对三维重建方法进行学习探究,并使用面绘制方法中的移动立方体算法对自动分割后的膝关节组织进行三维重建并定量评估,快速得到患者软骨和软骨缺损处所占的体积及外表面积等相关参数,并得到较为形象直观的膝关节立体三维模型。最后,为了验证本文算法的有效性,本文在人体膝关节临床数据集上进行了消融实验,通过实验结果可以表明,本文所改进的各个模块在一定程度上均能提高分割精度。此外,本文与其他经典的类U-Net算法进行对比,本文算法分割精度等指标有明显的优势,证明了本文算法的有效性。然后通过动物实验验证了本文定量评估方法的可行性,并对比分析了本文算法和医生手工测量的患者膝关节软骨缺损区域的体积以及表面积,结果表明本文算法的准确性在临床的可接受范围内。

基于U-Net的MRI膝关节组织分割研究

这是一篇关于膝关节分割,MRI图像,卷积神经网络,语义分割,深度学习的论文, 主要内容为作为人体活动最多、负重最大的屈曲关节,膝关节的完好是人们幸福生活重要的一环。而对膝关节的诊断主要靠医生对MRI图像进行逐张分析,利用人工智能技术对医学图像进行像素级分割,对于提高诊断效率有着重要作用。在目前MRI膝关节图像分割中,使用编码器-解码器这种对称结构的U-Net网络取得了很好的效果。但是由于膝关节组织的特点,在医学图像中不同骨组织的占比不平衡,骨骼之间、软骨之间灰度特征相似,骨组织与周围肌肉组织、组织液等差异小,图像中相邻组织之间出现粘连等。这些特点导致网络在分割时出现各种问题,分割效果不理想。本文通过提出修改的U-Net网络,提升了网络对膝关节组织的分割精度。本文的具体工作如下:首先,为了解决网络在下采样时由于特征图缩小导致占比较小的髌骨以及髌骨软骨的信息丢失,进而网络对膝关节组织学习不充分、造成组织之间错分的问题。本文在UNet网络的基础上,在编码器的每一层使用修改的Inception模块,增加了网络的宽度,也融合了多尺度的语义信息,增加了网络对不同尺度的适应性。在编码器的整体框架下使用了稠密连接模块思想,充分利用了编码器阶段网络每一层学习到的特征。其次,为了解决网络对股骨以及胫骨的分割出现不饱满且边缘粗糙甚至错分的问题。本文在解码器的每一层级联使用了不同扩张率的空洞卷积,在不增加计算量的前提下,有效提升了网络的感受野。同时在解码器的整体上使用FPN模块思想,融合来自不同层次的特征,增加了网络对于占比较大骨组织的分割精度。再次,为了解决网络将肌肉组织等误识别为骨组织的问题,更好的指导网络的学习方向。本文通过并且利用生成的二值标签和注意力机制进行监督学习,加强了网络对于图像前景以及前景中各部分组织的关注程度,尤其是增加了对占比较小的骨组织的关注度。同时还为在通道上拼接的特征图赋予不同的权重,取得了良好的效果。最后,为了验证本文网络修改的有效性,先进行了消融实验,验证了本文修改的模块可以在一定程度上提升网络的分割精度。之后进行了对比实验,选择U-Net网络以及常用的主流类U-Net网络进行对比。相较于其他网络,本文网络在各项指标上都有优势,证明了本文修改的有效性。

基于U-Net的MRI膝关节组织分割研究

这是一篇关于膝关节分割,MRI图像,卷积神经网络,语义分割,深度学习的论文, 主要内容为作为人体活动最多、负重最大的屈曲关节,膝关节的完好是人们幸福生活重要的一环。而对膝关节的诊断主要靠医生对MRI图像进行逐张分析,利用人工智能技术对医学图像进行像素级分割,对于提高诊断效率有着重要作用。在目前MRI膝关节图像分割中,使用编码器-解码器这种对称结构的U-Net网络取得了很好的效果。但是由于膝关节组织的特点,在医学图像中不同骨组织的占比不平衡,骨骼之间、软骨之间灰度特征相似,骨组织与周围肌肉组织、组织液等差异小,图像中相邻组织之间出现粘连等。这些特点导致网络在分割时出现各种问题,分割效果不理想。本文通过提出修改的U-Net网络,提升了网络对膝关节组织的分割精度。本文的具体工作如下:首先,为了解决网络在下采样时由于特征图缩小导致占比较小的髌骨以及髌骨软骨的信息丢失,进而网络对膝关节组织学习不充分、造成组织之间错分的问题。本文在UNet网络的基础上,在编码器的每一层使用修改的Inception模块,增加了网络的宽度,也融合了多尺度的语义信息,增加了网络对不同尺度的适应性。在编码器的整体框架下使用了稠密连接模块思想,充分利用了编码器阶段网络每一层学习到的特征。其次,为了解决网络对股骨以及胫骨的分割出现不饱满且边缘粗糙甚至错分的问题。本文在解码器的每一层级联使用了不同扩张率的空洞卷积,在不增加计算量的前提下,有效提升了网络的感受野。同时在解码器的整体上使用FPN模块思想,融合来自不同层次的特征,增加了网络对于占比较大骨组织的分割精度。再次,为了解决网络将肌肉组织等误识别为骨组织的问题,更好的指导网络的学习方向。本文通过并且利用生成的二值标签和注意力机制进行监督学习,加强了网络对于图像前景以及前景中各部分组织的关注程度,尤其是增加了对占比较小的骨组织的关注度。同时还为在通道上拼接的特征图赋予不同的权重,取得了良好的效果。最后,为了验证本文网络修改的有效性,先进行了消融实验,验证了本文修改的模块可以在一定程度上提升网络的分割精度。之后进行了对比实验,选择U-Net网络以及常用的主流类U-Net网络进行对比。相较于其他网络,本文网络在各项指标上都有优势,证明了本文修改的有效性。

基于改进光线投射算法的膝关节软骨MRI图像三维重建

这是一篇关于神经网络,膝关节软骨分割,三维重建,三维点云去噪,MRI图像的论文, 主要内容为在膝关节软骨核磁共振图像三维重建的过程中,如何精确的对给定的医学图像进行有效分割是实现三维重建的基础,同时如何在不影响重建后模型表面积和体积的情况下对重建后的软骨模型进行平滑也是目前需要解决的问题。进行三维重建,一方面可以直观的显示软骨的具体形态,另一方面可以对膝关节软骨进行量化分析,在临床上有着重要意义。在分割阶段,U-Net网络已体现出足够的优势,但软骨与周围肌肉组织,关节液的灰度值相似,分割时容易产生错分现象,而且膝关节软骨是狭长细小的,分割时极易产生断裂,对于缺损部分的软骨分割时可能被忽略,这些问题都会导致重建结果产生错误从而对医生的诊断产生错误的影响。在重建阶段,由于MRI图像有着不同的扫描参数,导致重建结果会比较粗糙,而对软骨模型进行平滑会导致模型的过度收缩,会对软骨的定量分析产生影响,针对上述问题,本文在U-Net网络的基础上进行了改进,并在光线投射算法的基础上增加了基于距离的平滑方法,本文的具体工作如下:首先,针对在分割过程中错分软骨和其他组织的问题,将金字塔模块加入U-Net网络中,金字塔模块的加入使网络能够以不同大小的空洞卷积对特征图进行采样,相当于以不同的比例捕捉所给定特征图的上下文信息,增大了感受野。其次,针对U-Net网络对细长的膝关节提取能力不足的问题,本文在U-Net网络中增加了混合注意力机制,即位置注意力机制和通道注意力机制的混合。通过对不同通道的软骨部分增加关注来加强网络对于细小目标和软骨缺损区域的分割能力。再次,针对重建后的模型表面粗糙的问题,本文对三维重建方法进行了研究,使用体绘制中的光线投射算法对膝关节软骨进行重建,并提出一种基于距离的平滑方法阻止了模型的过度收缩,比较真实的还原了膝关节软骨模型,为膝关节软骨的定量研究奠定基础。最后,为了验证本文算法的优势,在膝关节软骨数据集上进行了消融实验和对比实验,验证了分割和重建阶段新增的模块在一定程度上能提高分割的精度和三维重建的精度。并通过动物实验,体积和表面积的估算验证了本文算法的有效性和准确性,并且误差在临床可接受范围之内。

脑肿瘤MRI图像三维分割方法研究

这是一篇关于MRI图像,卷积神经网络,脑肿瘤分割,注意力机制的论文, 主要内容为脑肿瘤是一种极其危险的疾病,它会分裂并无法控制地生长,逐渐损害神经系统,最终导致死亡。通过多序列3D MRI扫描来诊断、监测和治疗脑肿瘤是一项复杂而耗时的任务,并取决于医生的知识和经验。为了在治疗过程中保护健康组织而损害肿瘤细胞,在应用任何治疗方法之前,分割肿瘤变得至关重要。该文利用深度学习方法对脑肿瘤MRI图像中病灶组织进行三维分割,并展开如下研究:1.针对脑肿瘤在不同患者MRI图像中呈现不同大小和形状导致基于单尺度DCNN分割精度较低的问题,设计了一种新的3D卷积神经网络模型RAPNet(Residual Atrous Pyramid Net,RAPNet)用于脑肿瘤的自动分割。RAPNet采用改进的递归残差卷积单元构成网络主干,以缓解由网络参数较多而导致的梯度弥散问题;使用由3D空洞卷积和跨模型注意力机制构成的特征金字塔与主干相结合以学习整个肿瘤及其亚结构的有效特征,从而具有拟合肿瘤内各种组织边界的优势;网络得到具有不同尺度特征的多层预测结果,使用辅助预测结构以获得最终分割结果。RAPNet在浮肿区域、坏疽区域和增强肿瘤区域组织中的Dice相似系数(Dice Similarity Coefficient,DSC)值分别为0.897、0.852和0.823,与现有的高效分割模型相比在学习病变的多尺度特征方面具有更好的效果。2.针对MRI肿瘤图像中病灶边界模糊、分割难度大的问题,对现有的3D UNet分割网络上进行改进,构建一种带有密集网络和残差网络的肿瘤分割模型DRUNet(Densely Residual U-Net,DR-UNet)。其中编码部分由池化操作和密集流组单元组成,解码部分由改进的残差模块和上采样重构模块组成,使用融合注意力机制连接编码和解码部分。密集流组单元缓解了梯度消失问题,增强了保持深度监控的梯度流信息,在保持各通道分组的信息共享能力的同时降低计算量;改进的残差模块简化了网络训练,多分支结构使网络更好地接收上下文信息,有助于解决肿瘤分割低对比度问题;针对解码器部分输入特征而设计的上采样重构模块对不同的未池化特征分别进行上采样可减少仅使用反卷积带来的误差;融合注意力机制利用高层特征的全局信息引导模型更加有针对性地关注低层特征,保证了对关键特征的聚焦性。DR-UNet在浮肿区域、坏疽区域和增强肿瘤区域组织中的DSC值分别为0.911、0.832和0.813,ASD值分别为0.114、0.314和0.362,HD值分别为9.362、5.634和6.881,与现有高效的U型对称网络模型对比在保证分割精度的同时获得了更好的边缘相似性。

面向MRI的膝关节软骨识别及缺损区域面积估算

这是一篇关于膝关节软骨分割,MRI图像,卷积神经网络,三维重建,定量分析的论文, 主要内容为膝关节软骨局部性缺损是一种严重的骨关节炎疾病,膝关节软骨局部性缺损的程度不同,也会使软骨病灶区域的形态、体积和表面积不同。因此,对膝关节软骨缺损区域进行量化,可辅助医生制定手术方案。MRI图像的组织分辨率良好,可使组织及病变成像,是诊断骨关节炎的主要成像方式。但是在膝关节MRI图像中骨头与软骨和周围肌肉、韧带等组织的对比度低,不能有效的分割目标组织和背景;而且缺损病灶目标小且受周围组织影响,分割时容易忽略病灶区域;此外为了对膝关节软骨缺损区域量化评估,传统方式是通过对缺损区域逐张手工描记,再通过类似于微积分的方式求体积和表面积,这种方法效率非常低,而且不够直观。针对以上三个问题,本文提出了一种改进的U型网络结构对膝关节MRI图像中的组织及软骨局部缺损区域进行分割,然后对分割后的图像进行三维重建并对目标物体进行定量评估。本文具体工作内容如下:首先,本文在原U-Net网络的基础上,提出一种改进的多尺度信息融合网络模型。把空洞空间卷积池化金字塔模块(ASPP)融入网络中,该模块的引入可以用不同采样率的空洞卷积通过并行的方式对特征进行提取,以多个尺度捕捉图像的上下文,有效解决膝关节组织错分的问题。其次,本文改进了U-Net网络编码部分和解码部分特征的融合方式,提出了一种新的特征融合方法(FFM),将深层语义特征与浅层边缘特征更好的融合,增强对缺损病灶区域目标的特征选择,解决了分割时易忽略缺损区域小目标的问题。再次,对三维重建方法进行学习探究,并使用面绘制方法中的移动立方体算法对自动分割后的膝关节组织进行三维重建并定量评估,快速得到患者软骨和软骨缺损处所占的体积及外表面积等相关参数,并得到较为形象直观的膝关节立体三维模型。最后,为了验证本文算法的有效性,本文在人体膝关节临床数据集上进行了消融实验,通过实验结果可以表明,本文所改进的各个模块在一定程度上均能提高分割精度。此外,本文与其他经典的类U-Net算法进行对比,本文算法分割精度等指标有明显的优势,证明了本文算法的有效性。然后通过动物实验验证了本文定量评估方法的可行性,并对比分析了本文算法和医生手工测量的患者膝关节软骨缺损区域的体积以及表面积,结果表明本文算法的准确性在临床的可接受范围内。

基于改进光线投射算法的膝关节软骨MRI图像三维重建

这是一篇关于神经网络,膝关节软骨分割,三维重建,三维点云去噪,MRI图像的论文, 主要内容为在膝关节软骨核磁共振图像三维重建的过程中,如何精确的对给定的医学图像进行有效分割是实现三维重建的基础,同时如何在不影响重建后模型表面积和体积的情况下对重建后的软骨模型进行平滑也是目前需要解决的问题。进行三维重建,一方面可以直观的显示软骨的具体形态,另一方面可以对膝关节软骨进行量化分析,在临床上有着重要意义。在分割阶段,U-Net网络已体现出足够的优势,但软骨与周围肌肉组织,关节液的灰度值相似,分割时容易产生错分现象,而且膝关节软骨是狭长细小的,分割时极易产生断裂,对于缺损部分的软骨分割时可能被忽略,这些问题都会导致重建结果产生错误从而对医生的诊断产生错误的影响。在重建阶段,由于MRI图像有着不同的扫描参数,导致重建结果会比较粗糙,而对软骨模型进行平滑会导致模型的过度收缩,会对软骨的定量分析产生影响,针对上述问题,本文在U-Net网络的基础上进行了改进,并在光线投射算法的基础上增加了基于距离的平滑方法,本文的具体工作如下:首先,针对在分割过程中错分软骨和其他组织的问题,将金字塔模块加入U-Net网络中,金字塔模块的加入使网络能够以不同大小的空洞卷积对特征图进行采样,相当于以不同的比例捕捉所给定特征图的上下文信息,增大了感受野。其次,针对U-Net网络对细长的膝关节提取能力不足的问题,本文在U-Net网络中增加了混合注意力机制,即位置注意力机制和通道注意力机制的混合。通过对不同通道的软骨部分增加关注来加强网络对于细小目标和软骨缺损区域的分割能力。再次,针对重建后的模型表面粗糙的问题,本文对三维重建方法进行了研究,使用体绘制中的光线投射算法对膝关节软骨进行重建,并提出一种基于距离的平滑方法阻止了模型的过度收缩,比较真实的还原了膝关节软骨模型,为膝关节软骨的定量研究奠定基础。最后,为了验证本文算法的优势,在膝关节软骨数据集上进行了消融实验和对比实验,验证了分割和重建阶段新增的模块在一定程度上能提高分割的精度和三维重建的精度。并通过动物实验,体积和表面积的估算验证了本文算法的有效性和准确性,并且误差在临床可接受范围之内。

基于U-Net的MRI膝关节组织分割研究

这是一篇关于膝关节分割,MRI图像,卷积神经网络,语义分割,深度学习的论文, 主要内容为作为人体活动最多、负重最大的屈曲关节,膝关节的完好是人们幸福生活重要的一环。而对膝关节的诊断主要靠医生对MRI图像进行逐张分析,利用人工智能技术对医学图像进行像素级分割,对于提高诊断效率有着重要作用。在目前MRI膝关节图像分割中,使用编码器-解码器这种对称结构的U-Net网络取得了很好的效果。但是由于膝关节组织的特点,在医学图像中不同骨组织的占比不平衡,骨骼之间、软骨之间灰度特征相似,骨组织与周围肌肉组织、组织液等差异小,图像中相邻组织之间出现粘连等。这些特点导致网络在分割时出现各种问题,分割效果不理想。本文通过提出修改的U-Net网络,提升了网络对膝关节组织的分割精度。本文的具体工作如下:首先,为了解决网络在下采样时由于特征图缩小导致占比较小的髌骨以及髌骨软骨的信息丢失,进而网络对膝关节组织学习不充分、造成组织之间错分的问题。本文在UNet网络的基础上,在编码器的每一层使用修改的Inception模块,增加了网络的宽度,也融合了多尺度的语义信息,增加了网络对不同尺度的适应性。在编码器的整体框架下使用了稠密连接模块思想,充分利用了编码器阶段网络每一层学习到的特征。其次,为了解决网络对股骨以及胫骨的分割出现不饱满且边缘粗糙甚至错分的问题。本文在解码器的每一层级联使用了不同扩张率的空洞卷积,在不增加计算量的前提下,有效提升了网络的感受野。同时在解码器的整体上使用FPN模块思想,融合来自不同层次的特征,增加了网络对于占比较大骨组织的分割精度。再次,为了解决网络将肌肉组织等误识别为骨组织的问题,更好的指导网络的学习方向。本文通过并且利用生成的二值标签和注意力机制进行监督学习,加强了网络对于图像前景以及前景中各部分组织的关注程度,尤其是增加了对占比较小的骨组织的关注度。同时还为在通道上拼接的特征图赋予不同的权重,取得了良好的效果。最后,为了验证本文网络修改的有效性,先进行了消融实验,验证了本文修改的模块可以在一定程度上提升网络的分割精度。之后进行了对比实验,选择U-Net网络以及常用的主流类U-Net网络进行对比。相较于其他网络,本文网络在各项指标上都有优势,证明了本文修改的有效性。