基于有限训练样本的融合网络模型用于盆腔危及器官自动分割的研究

作者：吴青南; 王运来; 全红; 王俊杰; 谷珊珊; 杨薇; 葛瑞刚; 刘杰; 鞠忠建^*

来源：生物医学工程学杂志, 2020, 37(02): 311-316.

DOI：10.7507/1001-5515.201809011

• 深度学习
• 多模型融合
• 卷积神经网络
• 自动分割
• 危及器官勾画

将深度学习应用到医学影像中危及器官自动分割领域时,为解决训练样本不足时三维卷积神经网络优化出现的退化、梯度消失等问题,本研究将Dense Net与V-Net两个网络模型进行融合,开发一种用于三维计算机断层扫描(CT)图像自动分割的Dense V-Network算法,勾画女性盆腔危及器官。采用戴斯相似性系数(DSC)、豪斯多夫距离(HD)、杰卡德距离(JD)三个参数来定量评估分割效果。结果显示膀胱、小肠、直肠、股骨头和脊髓自动分割的DSC值均在0.87以上(平均值是0.9);JD值均在2.3以内(平均值是0.18);除小肠外,HD值均在0.9 cm以内(平均值是0.62 cm)。经验证,Dense V-Network网络可精准地勾画盆腔危及器官。

• 单位
  北京大学第三医院; 北京大学; 中国人民解放军总医院