换一批摘要目前,对于病毒性肺炎病灶分割的研究大多是基于单标签分割的,其分割准确率并不是特别理想.为提高病灶分割的准确率,提出了一种基于多标签的病毒性肺炎图像分割方法.本方法结合预先已知的肺部特征知识,将肺部特征信息叠加病灶特征信息形成多标签,并利用One-Hot编码原理和改进的3D-UNet网络模型,结合来源于大挑战比赛中的病毒性肺炎病灶分割挑战-2020公共数据集进行多标签图像分割训练,其中训练集139例,验证集和预测集同为40例,共计179例.在评价指标的选择上,除了常规的Dice评价指标外,本研究还提出了一个新的评估指标,炎肺比(focus-lung ratio),提供了病灶和肺部的比例,结合精度评价指标,可用于衡量模型的鲁棒性.最终,该研究提出的双标签分割方法在公开数据集上的预测集的Dice可达到70.10％,相较于同网络下的单标签分割方法,提高4.20％的准确率;该研究还通过3种不同网络(级联Res-UNet,nnUNet-ResUNet,3D-UNet)进行对比试验,实验结果表明在训练集上Dice损失达到最小,为5.00％;在验证集上Dice达到最大,为75.70％.所提出的方法改善了肺炎病灶分割的准确率,提高了模型的鲁棒性,对未来相关研究具有一定的临床价值和潜在意义.
更多相关知识
关键词
深度学习图像分割CT图像多标签病毒性肺炎deep learningimage segmentationcomputerized tomographymulti-labelviral pneumonia
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2023.06.009
发布时间
2024-03-15（万方平台首次上网日期，不代表论文的发表时间）
- 浏览33
- 被引4
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
