目的:既往脑部MRI图像分割法,如阈值法、边界检测法、区域法等,在复杂场景下分割效果不理想。本研究在深度学习分割技术的基础上,应用空洞卷积算法结合条件随机场(conditional random field,CRF)算法构造神经网络模型,对脑部MRI中的丘...目的:既往脑部MRI图像分割法,如阈值法、边界检测法、区域法等,在复杂场景下分割效果不理想。本研究在深度学习分割技术的基础上,应用空洞卷积算法结合条件随机场(conditional random field,CRF)算法构造神经网络模型,对脑部MRI中的丘脑、尾状核和豆状核3种解剖结构进行分割,为脑部疾病MRI诊断打好基础。方法:随机选取1200张脑部MRI-Flair图像,人工标记出丘脑、尾状核和豆状核3种解剖结构,其中1000张作为训练数据集,200张作为测试数据集。采用深度卷积神经网络(deep convolutional neural networks,DCNN)结合CRF算法建立神经网络模型,将训练数据集输入模型,迭代30000次后得到参数化的神经网络模型。利用测试数据集评估、测试神经网络模型,并输出预测图像。结果:模型优化结果表明新构造的脑部MRI分割模型——DeepXAG的精确度最高,因此选用DeepXAG作为本研究的分割算法。DeepXAG模型的均交并比(mean intersection over union,mIOU)达到72.5%,明显高于其他经典分割算法(CRF-RNN、FCN-8s、DPN、RefineNet及PSPNet)。结论:DeepXAG模型分割脑部MRI的解剖结构具有较高的精确度及良好的鲁棒性。展开更多
文摘目的:既往脑部MRI图像分割法,如阈值法、边界检测法、区域法等,在复杂场景下分割效果不理想。本研究在深度学习分割技术的基础上,应用空洞卷积算法结合条件随机场(conditional random field,CRF)算法构造神经网络模型,对脑部MRI中的丘脑、尾状核和豆状核3种解剖结构进行分割,为脑部疾病MRI诊断打好基础。方法:随机选取1200张脑部MRI-Flair图像,人工标记出丘脑、尾状核和豆状核3种解剖结构,其中1000张作为训练数据集,200张作为测试数据集。采用深度卷积神经网络(deep convolutional neural networks,DCNN)结合CRF算法建立神经网络模型,将训练数据集输入模型,迭代30000次后得到参数化的神经网络模型。利用测试数据集评估、测试神经网络模型,并输出预测图像。结果:模型优化结果表明新构造的脑部MRI分割模型——DeepXAG的精确度最高,因此选用DeepXAG作为本研究的分割算法。DeepXAG模型的均交并比(mean intersection over union,mIOU)达到72.5%,明显高于其他经典分割算法(CRF-RNN、FCN-8s、DPN、RefineNet及PSPNet)。结论:DeepXAG模型分割脑部MRI的解剖结构具有较高的精确度及良好的鲁棒性。
