换一批基于迁移学习与数据增强实现计算机断层扫描图像器官自动分割的实验研究
An experimental study on the automatic segmentation of organs in computed tomography images based on transfer learning and data augmentation
摘要目的:探讨在机器深度学习中迁移学习在图像软件对实验动物解剖结构的识别、提取和自动分割中的作用,以及数据增强算法对迁移学习能力的影响.方法:在HyVision Ablation Planning V1.0 图像软件的平台上,以Efficient Net b1神经网络作为深度学习的骨干网络.利用 51 套VX2 兔肝癌模型的计算机断层扫描(computed tomography,CT)图像,以数据增强的方式进行迁移学习训练.将图像软件已经具备的人体腹部CT图像上器官的识别、提取与自动分割功能在动物模型上进行重现.比较不同的学习模型和算法模型的Dice系数、归一化表面Dice(normalized surface Dice,NSD)、三维重建的图像质量及与医师标注的动物模型训练集的差异.结果:从有数据增强无迁移学习型的模型到有数据增强有迁移学习型的模型,VX2 兔CT图像的器官自动分割Dice系数从 0.525 提升到 0.676,提高了 28.76%,NSD从 0.448 提升到 0.616,提高了 37.50%.从无数据增强有迁移学习型的模型到有数据增强有迁移学习型的模型,VX2 兔CT图像的器官自动分割Dice系数从 0.502 提升到 0.676,提高了 34.66%,NSD从 0.459 提升到 0.616,提高了 34.20%.表明在机器深度学习过程中迁移学习与数据增强对于研究新的解剖对象同等重要.结论:在机器深度学习过程中,迁移学习的功能可以借助数据增强算法,获得更好的图像识别、提取与自动分割的结果.
更多相关知识
关键词
迁移学习数据增强动物CT图像分割神经网络Transfer learningData augmentationAnimal CT image segmentationNeural network
栏目名称
DOI
10.3969/j.issn.2095-7815.2023.03.009
发布时间
2023-11-02（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家重点研发计划（2020YFC0122300）
- 浏览12
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
