文献类型：期刊文章

作　　者：于宁波[1,2] 刘嘉男[1,2] 高丽[1,2] 孙泽文[3] 韩建达[1,2]

Yu Ningbo;Liu Jia'nan;Gao Li;Sun Zewen;Han Jianda(College of Artificial Intelligence,Nankai University,Tianjin 300350,China;Tianjin Key Laboratory of Intelligent Robotics,Nankai University,Tianjin 300350,China;Institute of Sports Medicine,Peking University Third Hospital,Beijing 100083,China)

机构地区：[1]南开大学人工智能学院,天津300350 [2]南开大学天津市智能机器人技术重点实验室,天津300350 [3]北京大学第三医院运动医学研究所,北京100083

出　　处：《仪器仪表学报》

基　　金：国家重点研发计划(2018YFB1307803);国家自然科学基金(6187021848);中央高校基本科研业务费资助

年　　份：2020

期　　号：6

起止页码：140-149

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：膝关节磁共振图像的自动分割具有重要的临床需求,图像中分割目标的大小不同为精准分割带来了挑战。基于深度学习,提出一种端到端的DRD U-Net。以残差模块作为基本模块,增加了对特征的复用能力。利用并行的扩张卷积模块获取不同的感受野,克服了U-Net模型单一感受野的局限性,提高了对不同大小目标的分割能力。设计多输出融合的深监督模块,直接利用不同层次的特征实现了信息互补,提高了分割区域的连贯性和准确性。在OAI-ZIB数据集上测试,平均分割表面距离为0.2 mm,均方根表面距离为0.43 mm,豪斯多夫距离为5.22 mm,平均戴斯系数(DSC)为93.05%,重叠误差为3.86%。相比于基线U-Net和其他现有模型,所提方法在膝关节股骨、胫骨、股骨软骨、胫骨软骨的分割方面都取得了更高的精度。

关 键 词：医学图像分割 膝关节 磁共振图像 深度学习  卷积神经网络

分 类 号：R445.2] R684.3]