目的研究一種基于三維卷積神經(jīng)網(wǎng)絡(luò)的CT圖像頭頸部危及器官分割算法。方法本文構(gòu)建了一個基于V-Net模型的頭頸部危及器官自動分割算法。為了增強(qiáng)分割模型的特征表達(dá)能力,將SE（Squeeze-and-Excitation）模塊與V-Net模型中殘差卷積模塊相結(jié)合,提高與分割任務(wù)相關(guān)性更大的特征通道權(quán)重;采用多尺度策略,使用粗定位和精分割兩個級聯(lián)模型完成器官分割,其中輸入圖像在預(yù)處理時重采樣為不同分辨率,使得模型分別專注于全局位置信息和局部細(xì)節(jié)特征的提取。結(jié)果我們在頭頸部22個危及器官的分割實驗表明,相比于已有方法,本文提出的方法分割平均精度提升了9%,同時平均測試時間從33.82 s降低至2.79 s。結(jié)論基于多尺度策略的三維卷積神經(jīng)網(wǎng)絡(luò)達(dá)到了更好的分割精度,且耗時極短,有望在臨床應(yīng)用中提高醫(yī)生的工作效率。 

【文章來源】：南方醫(yī)科大學(xué)學(xué)報. 2020,40(04)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

算法流程圖

網(wǎng)絡(luò)基本結(jié)構(gòu)

在Residual Block中加入SE模塊，作為SE＿Residual Block，對殘差卷積得到的特征圖在特征通道層面進(jìn)行建模，增加對分割任務(wù)更相關(guān)的特征權(quán)重來提升模型的特征表達(dá)能力（圖4B）。圖4 殘差模塊優(yōu)化前后結(jié)構(gòu)對比


本文編號：2958891