换一批摘要腰椎间盘病变是导致下背部疼痛的主要原因之一,而腰椎磁共振成像(MRI)图像在其诊断中发挥了关键作用.本研究引入了 一种基于深度学习的自动分割方法,旨在增强椎间盘形态结构的识别和分割,从而减轻医疗专业人员手动分割所带来的不便和不一致性.我们采用了著名的分割网络Mask-Rcnn(Mask Region-based Conv-olutional Neural Network),该网络以其卓越的特征提取能力、出色的目标检测性能和精确的实例分割结果而闻名,因此成为最佳选择.通过利用PyTorch中的神经网络模型库,我们重构了数据集接口并微调了输出层参数,以更好地适应识别和分割腰椎间盘的任务.本研究使用了包含1545张腰椎MRI图像的公开数据集,每张图像都标注了椎间盘等结构.在对数据集进行预处理以保留有关椎间盘的标注后,我们随机选择了 450张图像进行测试,其余用于训练.在经过20个训练周期后,我们实现了 97.7％的平均精度和98.6％的平均召回率,96.9％的DICE系数.本研究强调了基于深度学习的自动分割方法在显著改善腰椎MRI图像中椎间盘的识别和分割方面的潜力.这种方法在临床应用中具有巨大前景,可能提高疾病诊断的准确性和效率,减轻了医疗专业人员的负担.
更多相关知识
关键词
深度学习神经网络生物医学图像腰椎间盘自动切割Deep learningneural networksbiomedical imagingautomated lumbar disc cutting
栏目名称
DOI
10.11967/2023211011
发布时间
2024-02-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（81827803）
国家自然科学基金（81727804）
国家自然科学基金（11902154）
江苏省自然科学基金（BK20190387）
江苏省研究生科研与实践创新计划项目（KYCX22_0349）
南京航空航天大学科研与实践创新计划（xcxjh20220330）
- 浏览10
- 被引1
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
