• 1. 北京大学国际医院 放疗科(北京 102206);
  • 2. 武汉大学 物理科学与技术学院(武汉 430072);
  • 3. 中国人民解放军总医院 放疗科(北京 100853);
  • 4. 北京大学第三医院 放疗科(北京 100191);
  • 5. 北京东方瑞云科技有限公司(北京 100020);
导出 下载 收藏 扫码 引用

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。

引用本文: 吴青南, 王运来, 全红, 王俊杰, 谷珊珊, 杨薇, 葛瑞刚, 刘杰, 鞠忠建. 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. 生物医学工程学杂志, 2020, 37(2): 311-316. doi: 10.7507/1001-5515.201809011 复制

  • 上一篇

    基于三维景观动态网络生物标志物识别乳腺癌细胞分化的临界状态
  • 下一篇

    双绞微电极制作装置设计与验证