摘要
在核医学中,单光子发射计算机断层(single-photon emission computed tomograpy,SPECT)骨显像是辅助医师诊断癌症的重要手段.针对骨显像图像信噪比低、边界模糊、病灶小难以提取和人工勾画病灶耗时等问题,提出一种基于改进U-Net网络的骨显像病灶自动分割算法.该算法在U-Net的原卷积块基础上,采用了多尺度密集连接(multi-scale dense connection,MDC)的方式来提高对小病灶特征的提取能力,同时解决了网络加深后出现的梯度消失问题.其次,为提取病灶的细节特征,在密集连接和跳跃连接处引入了注意力机制结构.最后,针对使用小样本数据集,模型难以收敛的问题,采用迁移学习的方法,优化了模型的初始参数,提升模型的泛化能力和分割效率.此外,为了降低计算量、进一步提高分割效果,对数据集进行了裁剪和去噪.同时,将处理后的图像采用旋转、镜像等方法进行了数据扩充.实验结果表明,改进的U-Net的识别精确率(precision)、平均交并比(mean intersection-over-union,mIoU)分别能达到 0.7352、0.4673,效果优于目前主流的分割算法,具有一定实际应用价值.
NETL
NSTL
维普
万方数据