利用Graf法进行发育性髋关节发育不良(Developmental Dysplasia of the Hip, DDH)诊断时主要依靠骨-软骨交界面、股骨头、滑膜皱襞、关节囊及软骨膜、盂唇、软骨顶、骨性顶这7个解剖结构进行解剖验证,而初级医生对上述结构识别困难,因...利用Graf法进行发育性髋关节发育不良(Developmental Dysplasia of the Hip, DDH)诊断时主要依靠骨-软骨交界面、股骨头、滑膜皱襞、关节囊及软骨膜、盂唇、软骨顶、骨性顶这7个解剖结构进行解剖验证,而初级医生对上述结构识别困难,因此文章提出了一种基于DeeplabV3+的网络模型用于7个结构的分割识别。首先对纳入的106例图像进行手动标记和预处理,之后将其分别输入DeeplabV3+和U-Net两种网络模型中,最终对其预测图表现和分割性能进行比较。与目前DDH图像分割中常用且表现优越的U-Net网络相比,DeeplabV3+网络的预测图包含的结构较多,边界分割也较清晰,其图像分割评价指标如相似性系数、豪斯多夫距离和平均豪斯多夫距离平均值的表现也优于U-Net网络。文章利用DeeplabV3+网络实现了DDH超声图像的7个结构分割,对临床医生进行后续图像的角度测量和分型诊断具有重要意义。展开更多
文摘利用Graf法进行发育性髋关节发育不良(Developmental Dysplasia of the Hip, DDH)诊断时主要依靠骨-软骨交界面、股骨头、滑膜皱襞、关节囊及软骨膜、盂唇、软骨顶、骨性顶这7个解剖结构进行解剖验证,而初级医生对上述结构识别困难,因此文章提出了一种基于DeeplabV3+的网络模型用于7个结构的分割识别。首先对纳入的106例图像进行手动标记和预处理,之后将其分别输入DeeplabV3+和U-Net两种网络模型中,最终对其预测图表现和分割性能进行比较。与目前DDH图像分割中常用且表现优越的U-Net网络相比,DeeplabV3+网络的预测图包含的结构较多,边界分割也较清晰,其图像分割评价指标如相似性系数、豪斯多夫距离和平均豪斯多夫距离平均值的表现也优于U-Net网络。文章利用DeeplabV3+网络实现了DDH超声图像的7个结构分割,对临床医生进行后续图像的角度测量和分型诊断具有重要意义。