关键词：
医学影像分割
U-Net
空洞空间金字塔
上采样
多尺度融合
摘要：
在关节疾病中,膝骨关节炎(Osteoarthritis,OA)常常危害到中老年人的身体健康,主要表现为软骨的退行性病变,因此对骨关节炎采取一种精确高效的诊断方法非常重要。膝关节磁共振成像依靠高对比度、高分辨率和无创性的优势,能够诊断软骨的退化,而软骨的准确分割对医生诊断病情和术前规划具有重要影响。手动分割软骨存在效率低、主观干预多等缺点;由于软骨的个体差异和病理形态的不同,传统的影像分割方法在软骨分割上具有局限性;而基于深度学习的分割方法通过训练数据集,对目标特征进行层次化的分析,达到自动分割的目的,避免了人工干预。针对上述情况,为得到高精度的膝关节软骨分割结果,本文将具有代表性的深度学习网络U-Net作为基础模型,进行了如下研究工作:(1)为了解决传统U-Net模型中,由于编码端特征提取结构单一和解码端上采样结构简单,导致软骨分割精度低的问题,本论文对U-Net编码端与解码端进行了改进。为了提高编码端特征提取的能力,本文结合空洞空间金字塔池化模块和注意力机制的特点和优势,提出了AS模块,该模块在关注有用特征、抑制不相关特征的同时能提取到影像的深层特征,进而提高细小软骨的分割精度。然后将AS模块嵌入U-Net的编码端,并参考VGG16网络结构加深编码端卷积层数,提出了AS U-Net模型,作为后续工作的基础模型;为了提高AS U-Net解码端上采样的能力,减少软骨边缘的过度分割,本文将AS U-Net中的反卷积替换为密集上采样卷积,进一步提出了ASD U-Net网络模型。在训练本文所有网络时,因为膝关节软骨区域与背景像素点比例相差极大,故在交叉熵损失函数的基础上,融入了戴斯损失函数,提升了训练效果。针对采用VGG16结构的新网络,使用VGG16在PASCAL VOC数据集上训练得到的权重,来提升网络模型的训练效果,缩短训练时间。将ASD U-Net模型在OAI-ZIB数据集上进行实验,相比于基线模型U-Net,在膝关节软骨的分割任务中的戴斯系数、精确率、召回率、豪斯多夫距离指标均有提高,分别达到了90.51%,90.45%,90.58%和5.47mm。(2)为了解决上述ASD U-Net模型中,由于输出的预测图只来源于最后一次融合,导致模型无法充分利用各层次的特征信息的问题,本文对ASD U-Net模型的输出部分进行了改进。本文设计了多尺度融合(MF)模块,该模块可以整合多层次多尺度的特征,并利用改进后的残差模块学习融合后的特征,然后将MF模块应用到ASD U-Net网络输出部分,得到ASDMF U-Net模型。通过实验证明,ASDMF U-Net相比于基线模型ASD U-Net,虽延长了一些训练时间,但是分割得到的戴斯系数、精确率、召回率、豪斯多夫距离分别优化了0.93%、1.23%、0.62%、0.43mm。(3)为了进一步优化ASDMF U-Net上采样的精度,本文将空洞卷积融入到密集上采样卷积中以获取更大的感受野,最终提出了ASDd MF U-Net网络模型。通过实验证明,ASDd MF U-Net相比于基线模型ASDMF U-Net,在分割任务中所有指标有了提高,得到戴斯系数、精确率、召回率、豪斯多夫距离分别为91.49%、91.51%、91.47%、4.95mm。
欢迎来到三峡大学图书馆！
