CN113658142A - 一种基于改进U-Net神经网络的髋关节股骨近端分割方法 - Google Patents

一种基于改进U-Net神经网络的髋关节股骨近端分割方法 Download PDF

Info

Publication number
CN113658142A
CN113658142A CN202110954840.1A CN202110954840A CN113658142A CN 113658142 A CN113658142 A CN 113658142A CN 202110954840 A CN202110954840 A CN 202110954840A CN 113658142 A CN113658142 A CN 113658142A
Authority
CN
China
Prior art keywords
improved
neural network
femur
net neural
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110954840.1A
Other languages
English (en)
Other versions
CN113658142B (zh
Inventor
吕江
白晓宝
朱新成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jinma Yangming Information Technology Co ltd
Original Assignee
Jiangsu Jinma Yangming Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Jinma Yangming Information Technology Co ltd filed Critical Jiangsu Jinma Yangming Information Technology Co ltd
Priority to CN202110954840.1A priority Critical patent/CN113658142B/zh
Publication of CN113658142A publication Critical patent/CN113658142A/zh
Application granted granted Critical
Publication of CN113658142B publication Critical patent/CN113658142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及医学图像分割技术领域，尤其涉及一种基于改进U‑Net神经网络的髋关节股骨近端分割方法。其步骤包括一、采集患者股骨CT图像，进行预处理；二、构建样本库，对股骨区域进行标注，得到训练集和测试集；三、对训练集进行数据增强；四、构建改进U‑Net神经网络模型；五、对改进U‑Net神经网络模型进行训练；六、对训练完成的改进U‑Net神经网络模型进行测试，输出分割结果，并对模型进行评估，得出模型性能。本发明提高了分割髋关节股骨近端的精确度，分割结果可作为股骨假体重建的重要参考依据，提高诊断的准确性、客观性和可靠性，对医学图像中目标骨骼分割的发展具有重要意义。

Description

一种基于改进U-Net神经网络的髋关节股骨近端分割方法
技术领域
本发明涉及医学图像分割技术领域，尤其涉及一种基于改进U-Net神经网络的髋关节股骨近端分割方法。
背景技术
骨质疏松症是一种最初无症状的骨骼疾病，以髋部(股骨近端)、脊柱或手腕最为突出。髋关节是连接人体骨盆与大腿的重要关节，具有负重并控制着下肢活动的作用，该关节易出现磨损和变形，以致影响人的正常生活，人工关节置换术在髋关节疾病的治疗中取得了很大的成功。但目前的股骨修复术仅凭医师的主观判断，所选假体很难与病人自身关节相匹配，在一定程度上影响了患者的恢复。为了能够对股骨特征数据进行提取，以建立合适的假体模型，需对髋骨附近的股骨近端部分进行精确地分割。
髋关节的CT序列图像具有对比度不高，髋臼与股骨头连接紧密的特点，因此目标骨骼分割难度较大。在深度学习技术出现之前，股骨近端的分割主要使用半自动的方法，其中分割过程需要用户干预以获得更高的分割精确度，例如基于图谱分割法、图形切割法、主动轮廓模型和统计形状模型等。虽然用户的干预能够保证较为精确的分割结果，但是操作繁琐且用户需要经过一定的学习训练才能正确使用。
近年来，深度卷积神经网络的发展使得其可以有效应用于图像处理领域。由于医学图像往往边界模糊且梯度复杂，需要较多的高分辨率信息用于精准分割；再者，人体内部结构相对固定，分割目标在人体图像中分布很具有规律，语义简单明确，低分辨率信息能够提供这一信息。U-Net神经网络结合了低分辨率和高分辨率信息，因此在医学图像分割领域表现较好。目前，针对髋关节股骨近端分割已经提出包括3D U-Net、V-Net等神经网络框架，所得模型的分割精度都不能达到令人满意的结果。因此，结合深度卷积神经网络对髋关节股骨近端部分进行精确分割具有广泛的临床价值，同时收到了国内外研究学者的广泛关注。
发明内容
针对背景技术中存在的问题，提出一种基于改进U-Net神经网络的髋关节股骨近端分割方法。本发明提高了分割髋关节股骨近端的精确度，分割结果可作为股骨假体重建的重要参考依据，提高诊断的准确性、客观性和可靠性，对医学图像中目标骨骼分割的发展具有重要意义。
本发明提出一种基于改进U-Net神经网络的髋关节股骨近端分割方法，包括：
S1、采集患者股骨CT图像，对股骨CT图像进行预处理；预处理为对股骨CT图像进行中值滤波，将图像大小统一为256×256，通道数为3；
S2、构建样本库，对股骨区域进行标注，得到训练集和测试集；
S3、对训练集进行数据增强；
S4、构建改进U-Net神经网络模型；改进U-Net神经网络模型包括编码器、解码器、空间注意力模块和空洞卷积模块；
S5、基于训练集，对改进U-Net神经网络模型进行训练；
S6、基于测试集，对训练完成的改进U-Net神经网络模型进行测试，输出分割结果，并对模型进行评估，得出模型性能。
优选的，S2中对股骨近端区域进行标注，由骨科医生协助指导，对所有患者的CT图像的股骨区域进行标注，股骨部分标注为白色，非股骨部分为黑色，其中80％作为训练集，20％作为测试集。
优选的，S3中数据增强的方法为在线增广法，在每个世代训练中，样本在输入模型进行训练前都会进行旋转、宽度变化、高度变化、错切变换、缩放和水平翻转的操作。
优选的，S4中编码器包括五个层级；第一层级包括依次相连的64个递归残差单元；第二层级包括依次相连的128个递归残差单元；第三层级包括依次相连的256个递归残差单元；第四层级包括依次相连的512个递归残差单元；第五层级包括依次相连的1024个递归残差单元。
优选的，S4中解码器包括四个层级；第一层级包括依次相连的64个递归残差单元；第二层级包括依次相连的128个递归残差单元；第三层级包括依次相连的256个递归残差单元；第四层级包括依次相连的512个递归残差单元；第五层级包括依次相连的1024个递归残差单元。
优选的，S4中空洞卷积模块为级联空洞卷积模块；通过在编码器和解码器连接处***级联空洞卷积模块以扩大卷积核感受野；级联空洞卷积模块由空洞率分别为2、4、8的空洞卷积层组成，将每层输出相加作为该模块的输出。
优选的，S4中空间注意力模块指对于该层级编码部分对应的下文信息g与同层次解码部分对应的上文信息x进行连接；首先将输出g和输出x使用1维卷积进行降维，使得g和x大小一致；其次将g和x相加，经过ReLU激活函数和一维卷积将通道数降至1；然后经过Sigmod激活函数，得到权重系数；最后将权重系数与x对应向量相乘，得到加权后的向量
Figure BDA0003219852570000031
优选的，递归残差单元的结构为两个递归卷积单元串联的输出加上输入；单个递归卷积单元层包含3个递归子序列；其中单个卷积单元包括卷积层、批规范化层和线性整流层。
优选的，S5中训练过程采用Dice Loss作为网络的损失函数，使用Adam优化器训练300轮，学习率为0.00001，训练批次大小为6；其中Dice Loss函数为：
Figure BDA0003219852570000041
其中，X表示预测结果，Y表示真实结果，Dice系数为(2|X∩Y|+1)/(|X|+|Y|+1)，模型预测结果越精确Dice系数越高，则Loss越低。
优选的，S6中模型性能采用精确率Precision、召回率Recall、均衡平均数F1score以及均交并比mIoU进行评估；其中精确率、召回率、均衡平均数和交并比计算公式分别为：
Figure BDA0003219852570000042
Figure BDA0003219852570000043
精确率Precision为正确预测为正的占全部预测为正的比例，召回率Recall为正确预测为正的占全部实际为正的比例，均衡平局数F1score为精确率和召回率的调和平均数；TP为真正例，指正类判定为正类；FP为假正例，指负类判定为正类；FN为真负例，指正类判定为负类。
与现有技术相比，本发明具有如下有益的技术效果：
本发明在U-Net网络框架的基础上用递归残差卷积单元替换原卷积单元，既保留了U-Net网络参数较少的特点，又避免了梯度消失的问题；在编码器和解码器连接处***级联空洞卷积模块，扩大卷积核感受野且降低了模型计算量，采用不同空洞率的空洞卷积模块级联能够获取多尺度信息；在编码器和解码器跳跃连接中添加了空间注意力模块，融合编码信息和同层次的解码信息，抑制背景区域特征的同时保留目标区域特征，使得模型精度进一步提高。本发明可以提高分割髋关节股骨近端的精确度，分割结果可作为股骨假体重建的重要参考依据，提高诊断的准确性、客观性和可靠性，对医学图像中目标骨骼分割的发展具有重要意义。
附图说明
图1为本发明中一种基于改进U-Net神经网络的髋关节股骨近端分割方法的流程图；
图2为本发明改进的U-Net神经网络的模型结构图；
图3为级联空洞卷积层模块，其中图(a)为级联空洞卷积内部结构图，图(b)为空洞率分别为1、2、3的空洞卷积核；
图4为空间注意力模块内部结构图；
图5为卷积单元图，其中图(a)为改进的卷积单元，图(b)为递归卷积单元，图(c)为残差卷积单元，图(d)为递归残差卷积单元；
图6为所提改进U-Net网络与U-Net、U-Net++的训练过程中精确度对比图；
图7为髋关节股骨近端分割结果对比度，其中图(a)为原图，图(b)为标签，图(c)为U-Net分割图；图(d)为U-Net++分割图；图(e)为所提网络分割图。
具体实施方式
实施例一
如图1所示，本发明提出的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，包括：
S1、采集患者股骨CT图像，对股骨CT图像进行预处理；预处理为对股骨CT图像进行中值滤波，将图像大小统一为256×256，通道数为3；
S2、构建样本库，对股骨区域进行标注，得到训练集和测试集；
S3、对训练集进行数据增强；
S4、构建改进U-Net神经网络模型；改进U-Net神经网络模型包括编码器、解码器、空间注意力模块和空洞卷积模块；
S5、基于训练集，对改进U-Net神经网络模型进行训练；
S6、基于测试集，对训练完成的改进U-Net神经网络模型进行测试，输出分割结果，并对模型进行评估，得出模型性能。
进一步的实施例中，S2中对股骨近端区域进行标注，由骨科医生协助指导，对所有患者的CT图像的股骨区域进行标注，股骨部分标注为白色，非股骨部分为黑色，其中80％作为训练集，20％作为测试集。
进一步的实施例中，S3中数据增强的方法为在线增广法，在每个世代训练中，样本在输入模型进行训练前都会进行旋转、宽度变化、高度变化、错切变换、缩放和水平翻转的操作。
实施例二
如图2所示，在上述实施例的基础上，本实施例中编码器包括五个层级；第一层级包括依次相连的64个递归残差单元；第二层级包括依次相连的128个递归残差单元；第三层级包括依次相连的256个递归残差单元；第四层级包括依次相连的512个递归残差单元；第五层级包括依次相连的1024个递归残差单元。解码器包括四个层级；第一层级包括依次相连的64个递归残差单元；第二层级包括依次相连的128个递归残差单元；第三层级包括依次相连的256个递归残差单元；第四层级包括依次相连的512个递归残差单元；第五层级包括依次相连的1024个递归残差单元。
实施例三
如图3(a)所示，在上述实施例的基础上，本实施例中空洞卷积模块为级联空洞卷积模块；通过在编码器和解码器连接处***级联空洞卷积模块以扩大卷积核感受野；级联空洞卷积模块由空洞率分别为2、4、8的空洞卷积层组成，将每层输出相加作为该模块的输出。
进一步的实施例中，上述空洞卷积为：k'＝k+(k-1)×(r-1)。其中，k为标准卷积核的大小，r为空洞卷积的空洞率，k’为空洞卷积核大小。
进一步的实施例中，k＝3，r＝2、4、8，如图3(b)所示，为普通3×3的卷积核使用了空洞率为1、2、3的空洞卷积核，该空洞卷积减少的网络参数比例为：
Figure BDA0003219852570000071
其中，a为减少参数的比例，n为卷积层个数，在本实施例中k为3，n为2，则a＝50％，即在使用空洞卷积后，减少了一半的网络参数。
实施例四
如图4所示，在上述实施例的基础上，本实施例中空间注意力模块指对于该层级编码部分对应的下文信息g与同层次解码部分对应的上文信息x进行连接；首先将输出g和输出x使用1维卷积进行降维，使得g和x大小一致；其次将g和x相加，经过ReLU激活函数和一维卷积将通道数降至1；然后经过Sigmod激活函数，得到权重系数；最后将权重系数与x对应向量相乘，得到加权后的向量
Figure BDA0003219852570000072
进一步的实施例中，该模块的构成还包括线性变换Wg、Wx和ψ，偏置为bg和bψ，注意力系数ai，其中ai∈(0,1)，表示为：
Figure BDA0003219852570000073
其中，σ1为ReLU激活函数，σ2为Sigmod激活函数。
实施例五
如图5(d)所示，在上述实施例的基础上，本实施例中递归残差单元的结构为两个递归卷积单元串联的输出加上输入；单个递归卷积单元层包含3个递归子序列；其中单个卷积单元包括卷积层、批规范化层和线性整流层，如图5(a)所示。
实施例六
在上述实施例的基础上，本实施例中，S5中训练过程采用Dice Loss作为网络的损失函数，使用Adam优化器训练300轮，学习率为0.00001，训练批次大小为6；其中Dice Loss函数为：
Figure BDA0003219852570000081
其中，X表示预测结果，Y表示真实结果，Dice系数为(2|X∩Y|+1)/(|X|+|Y|+1)，模型预测结果越精确Dice系数越高，则Loss越低。
实施例七
在上述实施例的基础上，本实施例中，S6中模型性能采用精确率Precision、召回率Recall、均衡平均数F1score以及均交并比mIoU进行评估；其中精确率、召回率、均衡平均数和交并比计算公式分别为：
Figure BDA0003219852570000082
Figure BDA0003219852570000083
精确率Precision为正确预测为正的占全部预测为正的比例，召回率Recall为正确预测为正的占全部实际为正的比例，均衡平局数F1score为精确率和召回率的调和平均数；TP为真正例，指正类判定为正类；FP为假正例，指负类判定为正类；FN为真负例，指正类判定为负类。
数据分析
在整个训练过程中，为了明确模型没有出现过拟合的状况，需要检测模型训练过程中训练集准确率和损失值的曲线，如图6所示，曲线基本处于拟合状态，且没有出现震荡，说明模型在该训练过程中达到了稳定状态，模型具有较好的鲁棒性。作为对比，本例还采用现有的基于U-Net以及U-Net++的分割方法对该数据集进行分割，准确率和损失值曲线如图6所示。所提改进U-Net与U-Net、U-Net++分割结果对比图如图7所示。三种分割方法对应的评价指标如表1所示：
表1
Figure BDA0003219852570000091
从上表中Accuracy、Precision、Recall、F1Score、mIoU评价指标来看，所提改进U-Net网络预测精确度较高，分割效果更好。从图7的分割结果图上看，实验结果表明，本发明基于改进U-Net神经网络的髋关节股骨近端分割方法在髋臼与股骨头连接紧密处分割效果更为精确。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。

Claims (10)

1.一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，步骤包括：
S1、采集患者股骨CT图像，对股骨CT图像进行预处理；
S2、构建样本库，对股骨区域进行标注，得到训练集和测试集；
S3、对训练集进行数据增强；
S4、构建改进U-Net神经网络模型；改进U-Net神经网络模型包括编码器、解码器、空间注意力模块和空洞卷积模块；
S5、基于训练集，对改进U-Net神经网络模型进行训练；
S6、基于测试集，对训练完成的改进U-Net神经网络模型进行测试，输出分割结果，并对模型进行评估，得出模型性能。
2.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S2中对股骨近端区域进行标注，由骨科医生协助指导，对所有患者的CT图像的股骨区域进行标注，股骨部分标注为白色，非股骨部分为黑色，其中80％作为训练集，20％作为测试集。
3.根据权利要求1的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S3中数据增强的方法为在线增广法，在每个世代训练中，样本在输入模型进行训练前都会进行旋转、宽度变化、高度变化、错切变换、缩放和水平翻转的操作。
4.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S4中编码器包括五个层级；第一层级包括依次相连的64个递归残差单元；第二层级包括依次相连的128个递归残差单元；第三层级包括依次相连的256个递归残差单元；第四层级包括依次相连的512个递归残差单元；第五层级包括依次相连的1024个递归残差单元。
5.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S4中解码器包括四个层级；第一层级包括依次相连的64个递归残差单元；第二层级包括依次相连的128个递归残差单元；第三层级包括依次相连的256个递归残差单元；第四层级包括依次相连的512个递归残差单元；第五层级包括依次相连的1024个递归残差单元。
6.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S4中空洞卷积模块为级联空洞卷积模块；通过在编码器和解码器连接处***级联空洞卷积模块以扩大卷积核感受野；级联空洞卷积模块由空洞率分别为2、4、8的空洞卷积层组成，将每层输出相加作为该模块的输出。
7.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S4中空间注意力模块指对于该层级编码部分对应的下文信息g与同层次解码部分对应的上文信息x进行连接；首先将输出g和输出x使用1维卷积进行降维，使得g和x大小一致；其次将g和x相加，经过ReLU激活函数和一维卷积将通道数降至1；然后经过Sigmod激活函数，得到权重系数；最后将权重系数与x对应向量相乘，得到加权后的向量
Figure FDA0003219852560000021
8.根据权利要求4或5任一项所述的基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，递归残差单元的结构为两个递归卷积单元串联的输出加上输入；单个递归卷积单元层包含3个递归子序列；其中单个卷积单元包括卷积层、批规范化层和线性整流层。
9.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S5中训练过程采用Dice Loss作为网络的损失函数，使用Adam优化器训练300轮，学习率为0.00001，训练批次大小为6；其中Dice Loss函数为：
Figure FDA0003219852560000031
其中，X表示预测结果，Y表示真实结果，Dice系数为(2|X∩Y|+1)/(|X|+|Y|+1)，模型预测结果越精确Dice系数越高，则Loss越低。
10.根据权利要求1所述的一种基于改进U-Net神经网络的髋关节股骨近端分割方法，其特征在于，S6中模型性能采用精确率Precision、召回率Recall、均衡平均数F1score以及均交并比mIoU进行评估；其中精确率、召回率、均衡平均数和交并比计算公式分别为：
Figure FDA0003219852560000032
Figure FDA0003219852560000033
精确率Precision为正确预测为正的占全部预测为正的比例，召回率Recall为正确预测为正的占全部实际为正的比例，均衡平局数F1score为精确率和召回率的调和平均数；TP为真正例，指正类判定为正类；FP为假正例，指负类判定为正类；FN为真负例，指正类判定为负类。
CN202110954840.1A 2021-08-19 2021-08-19 一种基于改进U-Net神经网络的髋关节股骨近端分割方法 Active CN113658142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110954840.1A CN113658142B (zh) 2021-08-19 2021-08-19 一种基于改进U-Net神经网络的髋关节股骨近端分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110954840.1A CN113658142B (zh) 2021-08-19 2021-08-19 一种基于改进U-Net神经网络的髋关节股骨近端分割方法

Publications (2)

Publication Number Publication Date
CN113658142A true CN113658142A (zh) 2021-11-16
CN113658142B CN113658142B (zh) 2024-03-12

Family

ID=78481323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110954840.1A Active CN113658142B (zh) 2021-08-19 2021-08-19 一种基于改进U-Net神经网络的髋关节股骨近端分割方法

Country Status (1)

Country Link
CN (1) CN113658142B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870261A (zh) * 2021-12-01 2021-12-31 杭州柳叶刀机器人有限公司 用神经网络识别力线的方法与***、存储介质及电子设备
CN114419618A (zh) * 2022-01-27 2022-04-29 北京长木谷医疗科技有限公司 基于深度学习的全髋关节置换术前规划***
CN114939988A (zh) * 2022-05-20 2022-08-26 常州大学 基于ai的踝骨骨折检测与三维重建方法
CN115170579A (zh) * 2022-09-09 2022-10-11 之江实验室 一种金属锈蚀图像分割方法和装置
CN116630679A (zh) * 2023-03-29 2023-08-22 南通大学 一种基于ct图像和域不变特征的骨质疏松识别方法
CN116664843A (zh) * 2023-06-05 2023-08-29 北京信息科技大学 一种基于rgbd图像和语义分割的残差拟合抓取检测网络
CN118000908A (zh) * 2024-04-09 2024-05-10 北京天智航医疗科技股份有限公司 全膝关节置换规划方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110689083A (zh) * 2019-09-30 2020-01-14 苏州大学 一种上下文金字塔融合网络及图像分割方法
CN112215850A (zh) * 2020-08-21 2021-01-12 天津大学 一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法
CN112418027A (zh) * 2020-11-11 2021-02-26 青岛科技大学 一种改进U-Net网络的遥感影像道路提取方法
CN112446891A (zh) * 2020-10-23 2021-03-05 浙江工业大学 基于U-Net网络脑胶质瘤的医学图像分割方法
CN112884747A (zh) * 2021-02-28 2021-06-01 长安大学 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
CN110689083A (zh) * 2019-09-30 2020-01-14 苏州大学 一种上下文金字塔融合网络及图像分割方法
CN112215850A (zh) * 2020-08-21 2021-01-12 天津大学 一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法
CN112446891A (zh) * 2020-10-23 2021-03-05 浙江工业大学 基于U-Net网络脑胶质瘤的医学图像分割方法
CN112418027A (zh) * 2020-11-11 2021-02-26 青岛科技大学 一种改进U-Net网络的遥感影像道路提取方法
CN112884747A (zh) * 2021-02-28 2021-06-01 长安大学 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MD ZAHANGIR ALOM, MAHMUDUL HASAN AND ET AL.: ""Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation"", 《ARXIV: 1802.06955V5》, vol. 5, no. 1802, pages 1 - 11 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870261A (zh) * 2021-12-01 2021-12-31 杭州柳叶刀机器人有限公司 用神经网络识别力线的方法与***、存储介质及电子设备
CN113870261B (zh) * 2021-12-01 2022-05-13 杭州柳叶刀机器人有限公司 用神经网络识别力线的方法与***、存储介质及电子设备
CN114419618A (zh) * 2022-01-27 2022-04-29 北京长木谷医疗科技有限公司 基于深度学习的全髋关节置换术前规划***
CN114419618B (zh) * 2022-01-27 2024-02-02 北京长木谷医疗科技股份有限公司 基于深度学习的全髋关节置换术前规划***
CN114939988A (zh) * 2022-05-20 2022-08-26 常州大学 基于ai的踝骨骨折检测与三维重建方法
CN114939988B (zh) * 2022-05-20 2023-09-22 常州大学 基于ai的踝骨骨折检测与三维重建方法
CN115170579A (zh) * 2022-09-09 2022-10-11 之江实验室 一种金属锈蚀图像分割方法和装置
CN116630679A (zh) * 2023-03-29 2023-08-22 南通大学 一种基于ct图像和域不变特征的骨质疏松识别方法
CN116630679B (zh) * 2023-03-29 2024-06-04 南通大学 一种基于ct图像和域不变特征的骨质疏松识别方法
CN116664843A (zh) * 2023-06-05 2023-08-29 北京信息科技大学 一种基于rgbd图像和语义分割的残差拟合抓取检测网络
CN116664843B (zh) * 2023-06-05 2024-02-20 北京信息科技大学 一种基于rgbd图像和语义分割的残差拟合抓取检测网络
CN118000908A (zh) * 2024-04-09 2024-05-10 北京天智航医疗科技股份有限公司 全膝关节置换规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113658142B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN113658142B (zh) 一种基于改进U-Net神经网络的髋关节股骨近端分割方法
CN110136157B (zh) 一种基于深度学习的三维颈动脉超声图像血管壁分割方法
WO2022037696A1 (zh) 基于深度学习的骨骼分割方法和***
CN106264731B (zh) 一种基于点对点配准技术虚拟膝关节单髁置换术模型构建的方法
Tian et al. Efficient computer-aided design of dental inlay restoration: a deep adversarial framework
CN116258726A (zh) 基于深度学习的颞下颌关节mri图像重要结构分割方法
WO2024001140A1 (zh) 一种椎体亚区域分割方法、装置及存储介质
CN110288611A (zh) 基于注意力机制和全卷积神经网络的冠状血管分割方法
CN114494183B (zh) 一种基于人工智能的髋臼半径自动测量方法及***
Minnema et al. A review on the application of deep learning for CT reconstruction, bone segmentation and surgical planning in oral and maxillofacial surgery
CN114711796A (zh) 双下肢负重位力线测量及诊断***及智能化测量方法
CN111951219A (zh) 基于眼眶ct图像的甲状腺眼病筛查方法、***及设备
CN114972279A (zh) 用于视网膜血管不确定边界精准分割的三支U-Net方法
CN114972365A (zh) 结合先验掩膜的oct图像脉络膜分割模型构建方法及应用
JP5880332B2 (ja) 画像処理装置及びプログラム
CN116167990B (zh) 基于图像的目标识别、神经网络模型处理方法
CN110782976B (zh) 一种全膝关节置换术假体型号预测方法
CN116433620A (zh) 基于ct图像的骨密度预测及骨质疏松智能筛查方法和***
CN116402954A (zh) 一种基于深度学习的脊柱三维结构的重建方法
CN116188443A (zh) 一种基于轴状位医学影像的腰椎间盘突出分型***
Zhou et al. Automatic segmentation algorithm of femur and tibia based on Vnet-C network
CN113614788A (zh) 计算机辅助读取和分析的深度强化学习
Apaydin et al. Deep convolutional neural networks using U-net for automatic intervertebral disc segmentation in axial MRI
CN111563899A (zh) 一种髋关节ct图像中骨的分割方法
Wang et al. 2D-3D hierarchical feature fusion network for segmentation of bone structure in knee MR image

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant