典型文献
基于边缘强化的Unet-TIC模型对前列腺自动勾画研究
文献摘要：
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.
文献关键词：
Unet;Unet-TIC;CED;边缘强化;自动分割;Dice系数
中图分类号：
作者姓名：
陈洪涛;郑芳;高艳;史亚滨;邓小年;钟鹤立
作者机构：
深圳市人民医院(暨南大学第二临床医学院,南方科技大学第一附属医院)肿瘤放疗科,广东深圳518020
文献出处：
引用格式：
[1]陈洪涛;郑芳;高艳;史亚滨;邓小年;钟鹤立-.基于边缘强化的Unet-TIC模型对前列腺自动勾画研究)[J].中国医学物理学杂志,2022(06):719-725
A类：
相干增强扩散
B类：
边缘强化,Unet,TIC,自动勾画,图像边缘,深度学习网络,自动分割,我院,检查者,扫描图像,MICCAI,Grand,Challenge,前列腺图像,训练集,验证集,测试集,过旋,旋转不变性,滤波方法,CED,ORI,双输入,路径结构,Two,Input,Channel,图像特征,扩张路径,跳跃连接,有效特征,多信息,上采样,Accuracy,Mean,DSC,Median,ASD,MSD,RVD,捕捉到,辨别,类似性,Dice
AB值：
0.348988
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
