摘要
胸腹部是人体疾病的高发部位，胸腹部CT图像可被用于诊断胸腹部的骨骼类和血管类等疾病。设计一种自动分割方法将胸腹部CT图像中的多种骨骼分割出来具有重要意义，分割出的骨骼不仅可以直接用于CT骨分析项目，服务于骨骼三维阅片诊断、骨科手术规划等；而且可以用于CT血管分析项目中的去骨操作，满足血管显示和定位等需求。 目前传统图像分割方法对胸腹部CT图像骨骼分割的精度不高，且很难将骨骼的类别进行细分。深度学习的方法可以自动提取图像特征，实现较高的分割精度。因此，针对胸腹部CT图像的特点，提出了一种基于多模型融合的骨骼分割方法。该方法可以将胸腹部CT图像中的骨骼分为13个类别。方法首先对数据进行预处理以降低无关因素的干扰。之后会将数据送入3个模型中进行训练。这3个模型分别是两个基于2D-Unet改进后的2D模型，和一个基于3D-Unet改进后的3D模型。3个模型均加入了残差模块和注意力机制两种优化策略。其中两个2D模型分别以横断面和冠状面切片数据进行训练和预测。对数据进行预测时，使用3个模型预测得到3个预测概率图，将3个预测概率图融合成一个概率图作为最终的预测结果，然后根据这个融合的结果生成对应的标签数据，最后对标签数据进行数据后处理，得到最终的分割结果。 实验结果采用Dice相似系数和灵敏度进行评估。实验结果表明，引入残差模块和注意力机制后的2D-Unet和3D-Unet比原始的网络模型以及只引入单一优化策略的模型拥有更好的分割效果。而将3个改进后的模型进行模型融合后，能够获得更高的分割精度。
NETL