针对当前U-Net网络模型以及相关卷积网络在脊椎分割中分割边缘精度低,对目标的识别率低等问题,提出几种改进的语义分割网络模型。考虑到脊椎MRI图像中目标区域连续且集中,并存在复数微小区域,边缘特征丰富,运用新型卷积块替换标准卷积结...针对当前U-Net网络模型以及相关卷积网络在脊椎分割中分割边缘精度低,对目标的识别率低等问题,提出几种改进的语义分割网络模型。考虑到脊椎MRI图像中目标区域连续且集中,并存在复数微小区域,边缘特征丰富,运用新型卷积块替换标准卷积结构,利用多路径思想,融入复数编解码器结构,降低运算复杂度,提升边缘特征提取力度,应对不同的特征提取问题。模型在SpineWeb的High anisotropy MRIs of the lower back数据集2000张脊椎图像上做实验,运用训练好的模型对同组脊椎MRI图像作预测。实验结果显示,网络模型的预测结果与提供的真值标签在Dice系数以及Precision系数等几项评价指标上分别达到0.891和0.894。展开更多
文摘针对当前U-Net网络模型以及相关卷积网络在脊椎分割中分割边缘精度低,对目标的识别率低等问题,提出几种改进的语义分割网络模型。考虑到脊椎MRI图像中目标区域连续且集中,并存在复数微小区域,边缘特征丰富,运用新型卷积块替换标准卷积结构,利用多路径思想,融入复数编解码器结构,降低运算复杂度,提升边缘特征提取力度,应对不同的特征提取问题。模型在SpineWeb的High anisotropy MRIs of the lower back数据集2000张脊椎图像上做实验,运用训练好的模型对同组脊椎MRI图像作预测。实验结果显示,网络模型的预测结果与提供的真值标签在Dice系数以及Precision系数等几项评价指标上分别达到0.891和0.894。
