融合拉普拉斯金字塔与Unet的Meckel腔图像分割研究

Meckel腔分割对三叉神经痛等疾病的辅助诊疗有着很重要的作用,目前对Meckel腔的分割主要还是靠手动分割,不仅速度慢,而且费力。提出了一种基于采样补偿(Sampling Compensation,SC)模块的Unet语义网络(SC-Unet)分割方法。首先,由于Unet语义网络对边缘特征的提取能力不足,采用拉普拉斯金字塔构建SC模块改进Unet网络的跳接结构,以提升模型对目标边缘的关注度;其次,使用的数据集中部分目标的边缘较为模糊,甚至是不封闭的,因此在训练过程中,在交叉熵损失函数的基础上添加豪斯多夫距离约束项,重新构建了一个组合损失函数(Comb_Loss),以约束模糊边缘的分割。实验表明:①提出的改进方法的平均Dice系数达85.5%,相对豪斯多夫距离误差为4.62%;②使用的方法能够很好地将具有不封闭边缘或模糊边缘的目标精准分割出来。