基于3D ERA U-Net的MRI海马体分割

海马体萎缩率是痴呆症等神经系统类疾病的早期诊断标志,因此精确地对海马体进行分割有利于准确测算海马体萎缩率,从而更高效地辅助医生预诊断病人的健康状态。传统图像分割技术在分割体积小、形状复杂的海马体时效果并不理想,因此本文提出了一种3D Efficient Residual Attention U-Net模型(3D ERA U-Net)。首先,利用改进的残差注意力机制将高层特征信息与低层特征信息融合,丰富二者的信息交流,使模型高质量地学习海马体细节信息。其次,在编码器和解码器过渡区加入一个扩张模块,在解码之前强化模型的感受野,对MR图像这样的三维图像起到了联系全局信息的作用。最后,改进了一种复合损失函数,加强关注边界分割。将该模型在ADNI数据集上进行实验,相比较其他海马体模型,整体精度提高,左右海马体平均Dice系数为89.38%、Precision为88.44%、Recall为89.29%,优化效果提升明显。