基于深度学习的脊椎CT图像分割

作者：黄昆; 张俊华^*; 普钟

来源：电子测量技术, 2022, 45(20): 151-159.

DOI：10.19651/j.cnki.emt.2209623

• 脊椎分割
• 深度学习
• 双解码器网络
• 双重特征融合模块
• 密连混合卷积模块
• 高效注意力模块

脊椎CT图像分割是脊椎三维重建可视化的关键。针对脊椎CT图像中脊椎边缘模糊，结构复杂，形状多变等问题，基于深度学习方法提出一种双解码器网络。该网络在编码解码网络U-Net结构基础上增加了一条结构相同的并行解码分支，两个解码分支可以互补地提取图像特征。并且，在编码与解码之间加入双重特征融合模块，解决网络在下采样和上采样过程中造成的语义信息丢失问题。同时用密连混合卷积模块代替原始卷积模块，提高网络对多尺度特征的提取能力。此外加入高效注意力模块，使网络在空间上注重学习感兴趣区域，在通道上抑制无关信息。在CSI2014公开数据集上进行测试，Dice系数达到0.970,Jaccard系数达到0.945,召回率达到0.962。实验结果表明，该网络能够提高脊椎分割精度，具有较好的泛化能力，可以满足临床脊椎CT图像分割需求。

• 单位
  云南大学