基于边缘强化的Unet-TIC模型对前列腺自动勾画研究

目的:通过图像边缘强化以及改进Unet深度学习网络结构提高前列腺自动分割的准确性。方法:随机选取我院50例检查者前列腺核磁扫描图像,以及MICCAI Grand Challenge数据库50例前列腺图像,其中81例作为训练集,10例作为验证集,9例作为测试集。通过旋转不变性相干增强扩散滤波方法(CED-ORI)对图像进行边缘强化,建立双输入收缩路径结构的Unet-Two Input Channel(Unet-TIC)并行提取原始和CED-ORI图像特征,共享一条扩张路径,并通过跳跃连接突出CED-ORI边缘强化的有效特征,获取更多信息增加上采样分辨率。采用Accuracy、Mean DSC、Median DSC、ASD、MSD、RVD 6个指标对Unet、Unet-c和Unet-TIC 3种方法进行评估。结果:Unet-c和Unet-TIC评估指标表现均明显优于Unet,其中表现最好的Unet-TIC相较于Unet,Accuracy提高1.87%,Mean DSC提高1.81%,Median DSC提高1.21%,ASD降低0.32 mm,MSD降低1.63 mm,RVD降低4.64%。直观勾画方面Unet-TIC比Unet更加精准,更能捕捉到复杂的前列腺形状的变换,尤其是辨别混淆性、类似性边界区域。结论:相较于Unet,Unet-TIC在影像器官分割与勾画方面具有更优的表现。