基于改进U- Net深度网络的超声正中神经图像分割

作者：田宝园; 程怿; 蔡叶华; 陈可; 施俊; 徐树公; 张麒^*

来源：自动化仪表, 2020, 41(08): 36-41.

DOI：10.16086/j.cnki.issn1000-0380.2019120009

• 超声成像
• 人工智能
• 深度学习
• 图像分割
• U-Net
• 神经网络
• 正中神经
• 循环学习率

超声成像作为常见的医学成像技术,在诊断和治疗疾病方面发挥着重要作用。人工判读超声图像依赖于医生主观经验知识,其结果存在观察者间和观察者内的差异,并且过程耗时耗力,难以满足快速、批量的临床诊断需求。随着人工智能的快速发展,基于深度学习的图像分割模型被广泛地应用于医学图像分割领域,并取得了不俗成果。基于U-Net深度神经网络,对其结构进行优化改进,构建适用于超声图像正中神经分割的卷积神经网络模型。在网络中添加了规范层和丢弃层,下采样的最大池化层替换成卷积层;同时,采用指数线性单元激活函数,使用循环学习率,以增加网络模型的鲁棒性。测试结果表明,改进的U-Net模型在超声正中神经图像的自动分割方面表现良好,横切面、纵切面的Dice系数分别达到了78%与89%。该方法有望用于临床超声神经图像的辅助分析。

• 单位
  通信与信息工程学院; 复旦大学附属华山医院; 上海大学