换一批摘要为提高医学影像分析中颅骨剥离的精度,尤其是具有明显病理影响(如脑肿瘤)的多模态大脑MRI影像、2D/3D混合扫描的大脑MRI影像,研究基于SegResUnet的半监督学习大脑MRI影像颅骨剥离(脑区分割).以卷积神经网络为基础,采用高效分割网络——SegResUnet对多模态数据参数进行训练学习,通过残差分割模块强化U型结构中编码器和解码器的特征提取效能,并借助半监督学习模式辅助训练,提升模型在 3D带标签数据和 2D无标签数据上的分割精度.将基于SegResUnet的半监督学习大脑MRI影像颅骨剥离方法应用于 751 例三中心公开数据集,其脑区分割实验结果表明,单模态分割精度最高能达到 98.57%,与混合模态分割精度持平;单模态平均分割精度能达到 98.35%,相比经典的Unet模型精度提升 0.2%.
更多相关知识
关键词
图像处理颅骨剥离卷积神经网络SegResUnet半监督学习image processingskull strippingconvolutional neural networksSegResUnetsemi-supervised learning
栏目名称
DOI
10.3969/j.issn.1008-8148.2025.03.013
发布时间
2025-07-03（万方平台首次上网日期，不代表论文的发表时间）
基金项目
镇江高等专科学校科研课题（GZYB202420）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
