脑缺血病变全自动分割及挤压-激励阻滞在磁共振成像中的应用

医学信息学解锁21（2020）100440使用语义分割网络对脑缺血和白质高信号病变进行全自动分割，磁共振成像中的挤压-激发阻滞A-Reum Leea，Ilsang Woo a，Dong-Wha Kang b，Seung Chai Jung c，Hyunna Leea，Namkug Kim a，*a蔚山大学医学院牙山医学中心生物医学工程研究中心融合医学系，88 Olympic-Ro 43-Gil，首尔市松坡区，邮编05505b蔚山大学神经病学系，医学院，牙山医疗中心，88 Olympic-Ro 43-Gil，Songpa-Gu，Seoul，05505，韩国c韩国，首尔，05505，松坡区，88 Olympic-Ro 43-Gil，蔚山大学，医学院，牙山医疗中心，放射科和放射学研究所A R T I C L EI N FO保留字：脑缺血病灶分割深度学习扩散加权成像（DWI）医学图像分割语义分割挤压-激发（SE）阻滞A B S T R A C T缺血性脑卒中是老年人的常见病，可导致长期残疾和死亡。急性期脑缺血性病变的定量测量对脑卒中患者的准确诊断和治疗决策至关重要。目前，缺血性病变的手动分割是耗时的，并且难以提取潜在的量化信息。这些限制可以通过深度学习来克服，深度学习最近已经成为在MRI中分割脑缺血性病变的流行方法。使用深度学习的全自动分割方法可定量评估梗死病变，准确识别病变，快速定位病变，并改善治疗计划。最先进的方法是U-Net的变体，是全卷积网络（FCN）;然而，这些方法有一些限制，包括由于编码器和解码器网络而无法捕获全局特征为了克服这一局限性，本研究提出了一种使用挤压和激励（SE）块的U-网的语义分割方法。与传统的神经网络相比，该方法可以通过特征映射来改善通道信息，从而提高脑病变分割的准确性经IRB批准，急性梗死患者（N= 429）回顾性入组本研究开发了各种类型的带有或不带有SE块的语义分割网络，并将其准确性与传统的内部和商业软件进行了比较U-的Dice相似系数（DSC）带SE块的致密U形网和Net分别为85.39±0.84和84.23±1.60DSC增加3.5%平均0.9%。具有SE块的基本U形网和密集U形网的准确性显著优于传统图像处理方法和不具有SE块的图像处理方法（p值分别为：1.0e-08、2.272e-05和0.0003）。为了进一步评估这些方法，使用了MICCAI 2017的白质高信号（WMH）分割挑战的公共数据集。在WMH数据集中，U-Net的DSC与或无SE阻滞时分别为74.64±1.11和76.92±0.78DSC平均提高2.3%的与SE块的语义分割表现出显着更好的性能比那些没有SE块。该解决方案可以应用于测量各种脑分割问题，包括梗死体积（在中风患者的急性期）和WMH体积。1. 介绍各种脑部疾病可以通过磁共振成像（MRI）进行分割和量化。然而，由于繁琐的任务和复杂的环境，稳健和精确的分割和量化仍然是一个挑战。观察者间和观察者内的差异。计算机视觉中具有深度学习的最先进算法已应用于生物医学成像，并在医学图像处理中表现出出色的性能，包括分类、检测、分割和病变量化* 通讯作者。电子邮件地址：namkugkim@gmail.com（N.Kim）。https://doi.org/10.1016/j.imu.2020.100440接收日期：2020年7月23日;接收日期：2020年9月26日;接受日期：2020年9月30日在线预订2020年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imu答：R. Lee等人医学信息学解锁21（2020）1004402[1医学图像的全自动分割的发展有助于预测患者疾病和治疗计划，这是临床环境中显著未满足的需求近年来，深度学习方法在生物医学成像中得到了广泛的应用;这些方法已经呈现出最先进的性能。基于编码器-解码器结构的语义分割网络主要已经被提出[1U-Net是Ronneberger等人（2015）提出的一种基于卷积神经网络（CNN）的著名编码器-解码器网络，经常用于医学图像的分割[6]。U-Net的结构由基于编码器-解码器的架构组成，该架构与具有相同空间分辨率的编码器和解码器块之间的跳过连接相结合。另一种语义分割算法，密集U网，是由S。 J'egouet al. （2017）[7]。然而，这些先前的相关方法具有以下局限性：（1）尽管通过在编码层和解码层之间引入跳跃连接桥来增强与特征的关系的U-Net和Dense U-Net的广泛使用[6-8 ]，但是这些方法不足以捕获特征的非线性关系。(2)由于编码器和解码器网络的原因，无法捕获全局特征。(3)跳跃连接在与编码器网络和解码器网络近似相同的特征图为了解决上述问题，本研究提出了一种有效且低成本的方法，该方法将“挤压和激励”（SE）块[ 9 ]集成Zhang等人[13]提出了一种3D全CNN，用于从使用弥散加权成像（DWI）获得的图像中分割梗死病变。然而，3D CNN比2D CNN有更多的参数;因此，训练 3D CNN的计算成本很高，需要更多的数据。因此，3D补丁用于训练体积模型或下采样图像，这可能导致信息丢失和零导数问题[13]。Liu等人[14]设计了一种残留CNN（Res-CNN），用于从多模态MRI中分割急性缺血性卒中病变。该方法将残差单元嵌入U型网络中，利用多模态技术充分利用MRI图像中的互补信息，提高分割精度。Liu等人[15]提出了一种新型网络，该网络在最后两层中应用泄漏整流线性单元激活，用于精确重建缺血性卒中病变。该网络需要缺乏轻量级的可学习模型来提高速度，并且不足以捕获与特征的非线性关系。Karthik等人[16]提出了一种使用多模态MRI成像分割病变的深度监督全卷积网络（FCN）。Guerrero等人[17]提出了一种用于病变分割的2D U形残差架构，称为u-ResNet。这些网络的优势包括能够利用大空间的信息，规模，而不会丢失有用的本地信息。提出的方法本研究可与这些方法兼容。最近，Rundo等人。[18]提出了USE-Net，它将SE块合并到U-Net中。在T2加权MRI数据集上评估该模型。在编码和解码路径中利用USE-Net上的SE模块然而，Rundo的方法需要相对较高的计算成本来合并SE块。因此，在本研究中，评估了各种类型的方法，以将SE块连接到U-Net中，然后将跳过连接和SE密集块连接起来，将SE块组合到密集块中，从而产生具有SE块的密集U-Net将这些分割方法应用于医学成像的最困难的方面之一是由编码层中的池化引起的细粒度信息损失。为了缓解这个问题，用于增强与特征的关系的方法显著地增加了通过引入跳过连接来提高性能。然而，这些方法不足以捕获与特征的非线性关系因此，在这项研究中，提出了一个简单而有效的方法来结合SE块到以前提出的模型。SE块为CNN引入了一个构建块，它以非常低的计算成本改善了通道的相互依赖性。SE块被添加到U-Net中，然后级联跳过连接，使得网络可以自适应地调整每个特征图的权重。这项研究作出了以下重要贡献：提出了用于增强与特征的关系的方法，这些方法通过减轻由编码层中的池化引起的细粒度信息损失来在U-Net和Dense U-Net中，SE块与跳过连接和密集块相结合，以解决医学分割方面的挑战性问题。提出了一种分割-叠加预测融合网络，实现了更精确的三维病变分割。提出了改进的U网模型和密集的U网模型，并引入SE块，提高了病灶分割的准确性。本研究中提出的方法是一种完全卷积的神经网络，它可以分割大脑的大小不变的病变。与脑缺血和白质高信号相关的数据集见第2节。2. 背景2.1. 急性梗死节段卒中是全球第二大死亡原因（仅次于缺血性心脏病），也是残疾的主要原因[19脑卒中的发病率逐年上升，在所有年龄组均可观察到。急性缺血性梗塞发生在脑组织由于可用氧的量突然减少而坏死时，这是由于血块导致脑血管中的血流严重减少或阻塞而导致的。急性期或超急性期缺血性卒中患者的DWI可替代梗死病灶显示梗死核心。DWI中的梗死病灶与梗死体积相关。缺血性梗死可以在形状上变化，并发生在大脑的任何地方。因此，梗死病灶的分割对于量化梗死体积和确定缺血性卒中患者的治疗方案具有重要意义。因为各种形状和大小的缺血性梗死可以图1.一、 脑卒中患者DWI标记缺血性急性病变例;(a)ADC图（b）b1000图像（c）梗死病灶。·····答：R. Lee等人医学信息学解锁21（2020）1004403× × ××由于脑梗死发生在大脑的任何地方，因此梗死分割需要预先捕获局部信息和全局上下文。图1显示了脑卒中患者ADC图和b1000图像上缺血性急性病变的示例。图像中获得的病变在b1000上构成高信号强度，在表观扩散系数图（ADC）上构成低信号强度，这是代表急性梗死的众所周知的图像。急性缺血性梗死分割可以帮助监测梗死病变，确定治疗方案，并预测中风患者的治疗反应2.2. 白质高信号表1患者和缺血性病变的详细信息。变量培训验证测试年龄（岁）* 69.5（24男：女（N）166：80 50：39 53：41既往病史高血压124（50.4%）50（56.2%）58（61.7%）糖尿病51（20.7%）20（22.5%）35（37.2%）高血压33（13.4%）16（18.0%）24（25.5%）吸烟128（52%）36（40.4%）36（38.3%）中风家族史62（25.2%）17（19.1%）13（13.8%）体重指数24.0± 3.0 24.0±3.5 23.3 ± 3.1大脑中的小血管疾病似乎对中风、衰老和痴呆有决定性影响。血管结构的WMH是小血管疾病的主要后果之一。WMH已经血管风险因素数量至DWI的时间间隔（天）梗死2.4（01.0（0与慢性和神经系统疾病有关，常见于老年人。WMH体积、位置和形状的量化对我们来说意义重大。第28.5卷（0.3-155.5）23.6(1.0-139.4）28.1(0.9-227.6）在临床研究中是不可能的，并且很可能被纳入临床实践中。WMH在MRI上是明显的，如图2所示。通常，流体衰减反转恢复（FLAIR）和T1磁共振（MR）扫描用于分割WMH体积。此外，对WMH体积的分析可以支持诊断、痴呆监测、中风治疗和其他老年疾病的预防。3. 材料和方法在本研究中，提出将SE块添加到编码器-解码器、U- Net和密集U-Net架构中作为基线模型。SE块被附加到跳过连接和密集块中，U-Net和Dense U-Net。在编码器-解码器模型中，最后三种类型的层（包括编码器中的池化层、瓶颈的最后一层和解码器中的转置卷积层）由SE块添加。在定量评估中，将分割结果与地面实况进行比较。3.1. 数据3.1.1. 急性梗死数据集本研究使用了429例急性缺血性卒中患者的数据集进行急性梗死分割。2005年9月至2015年8月，患者因急性缺血性卒中症状就诊于峨山医疗中心急诊室，并接受DWI（包括b0和b1000图像），以生成ADC图，检查急性梗死。表1列出了所有429例患者的人口统计学和临床特征（269例男性，160例女性;平均年龄：72岁，范围为24 - 98岁）。本研究获得了机构审查委员会的批准，该委员会免除了知情同意的要求。MRI 扫 描 从 各 种 机 器 获 得 ， 包 括 1.5T （ Magnetom Avanto ，Siemens Healthcare，Erlangen，Germany;图二. WMH病变的示例;（a）FLAIR（b）WMH病变。Genesis Signa，GE Healthcare，Milwaukee，WI，USA; Intera，PhilipsHealthcare ， Best ， Netherlands ） 和 3.0T （ Ingenia CX ， PhilipsHealthcare; Achieva，Philips Healthcare），具有以下参数：400256× 256至512× 512矩阵X，220× 220(FOV)1 ~ 6次激发，20 ~ 45层，层厚3-5 mm。 由两名经验丰富的神经放射科医生在b1000图像上定义手动参考标准，并达成工作共识。除了相应的b1000图像外，ADC图像也可用，以避免T2穿透伪影区域。DWI上发现的急性梗死病变的基础事实由两位具有6年和9年经验的神经放射学专家一致描述。放射科医生将b1000图像上最大可见范围的高信号强度描绘为梗死病变，以避免ADC图像上的T2穿透伪影区域。使用内部软件（改良ImageJ）标记这些感兴趣区域（ROI）。3.1.2. 白质高信号数据集本研究使用了MICCAI 2017年WMH分割挑战中提供的公共数据集[22]。该数据集包括在荷兰和新加坡的三家医院（Universitair MedischCentrum Utrecht; National University Health System; Vrije UniversiteitAmsterdam）从五种不同扫描仪采集的170份MRI扫描，包括1.5T（ Signa HDXt ， GE Healthcare ， Milwaukee ， WI ， USA ） 和 3 T（Achieva，Philips Healthcare，Best，Netherlands; TrioTim，SiemensHealthcare ， Erlangen ， Germany; Signa HDXt ， GE Healthcare ，Milwaukee ， WI ， USA; Incidity ， Philips Healthcare ， Best ，Netherlands）。对于每例受试者，提供了3D T1加权图像和2D多切片FLAIR图像。 FLAIR和T1加权成像参数层厚1.2 ~3 mm，层厚0.96 ~ 0.95 ~ 1.0 ~ 1.0mm3 π× EL间距，132 × 256到252 × 232矩阵，以及48到83个切片。手册参考标准为在FLAIR图像上定义。3.2. 预处理由于本研究中的MRI图像是在不同协议下从各种扫描仪获取的，因此在实验之前进行了几个预处理步骤。因为MRI强度不具有组织特异性值（即，尽管具有相同的协议、对象和扫描仪，但是相同的组织具有宽范围的强度），强度归一化是MRI分析的重要预处理步骤。对于每个图像，使用特定百分位数（即，0.005-0.995）的强度直方图。基于组织概率图自动确定大脑区域，该组织概率图是使用分段计算的。答：R. Lee等人医学信息学解锁21（2020）1004404×[][]∗×统计参数映射模块（SPM 12）[23]。随后，在3D体积中进行均匀线性重建。所有图像在轴向切片上重采样至384 × 384的均匀矩阵大小3.3. 使用挤压和激励（SE）块的语义分割关注通道之间依赖性的SE块模型在ILSVRC分类任务中显示出显著的结果[9，10]。CNN通过交织空间和通道信息来提取有益的特征图。SE网络（SENets）已经为CNN引入了SE块，它以非常低的计算成本改善了通道的相互依赖性[9]。SE块使用以下五个步骤构造：（1）函数被给定一个输入卷积块和它当前拥有的通道数(2)使用平均合并将每个通道压缩为单个数值。(3)一个完全连接的层，后面跟着一个ReLU函数，增加了必要的非线性。其输出通道复杂度也有一定的降低。(4)第二个完全连接的层之后是Sigmoid激活，为每个通道提供了平滑的门控功能。(5)最后，基于所提出的侧网络的结果，对卷积块的每个特征图进行加权。总之，挤压操作使用平均池化将每个通道的全局描述符生成为单个数值。激励操作自适应地增强信息特征并抑制不太有用的特征，这表明SE块是自门控机制。SE块的主要目的是向每个信道的卷积块，以自适应地调整每个特征图的权重。因此，SE块增加了几乎为零的额外计算成本（不到1%），可以添加到任何模型中，并增强了以前分类网络的性能。3.3.1. SE模块该建筑组件（称为SE块）在ILSVRC 2017年分类竞赛中获得第一名[10]。SE块对特征图通道之间的相互依赖性进行建模，并进行空间挤压操作以及通道激励操作，如图所示。3.第三章。挤压操作通过使用全局平均池化来生成表示特征图中的每个通道的全局信息的通道方式统计。卷积网络函数定义如下：uc=vc*X这里，u c表示输出为U =[u1，u2，u c]，v c表示空间核为v cv c1，v c2，u c，v cc′ ，X将输入表示为X x1，x2，x，xc′得双曲正弦值.表示卷积。分割中的挤压函数可以用公式表示如下：这里，zc是压缩通道的第c个元素，uc是输入的第c个元素，Fsq是压缩函数产生向量。H和W分别是输入的高度和宽度激励操作由全连接层和整流线性单元（ReLU）[24]组成，以自适应地加强信息特征并抑制不太有用的特征，这表明SE块是一种自选通机制。励磁操作的功能定义如下：s=Fex（z，W）=σ（W2δ（W1z））这里，Fex是激励函数，其由两层全连接神经网络参数化z是来自前一层的输入压缩描述符σ是sigmoid函数，δ是ReLU。W1和W2表示11个卷积层。W1是具有参数缩减比r的维度缩减，W2是递增维度。这些操作使用全局信息明确地对通道之间的非线性依赖性进行建模。s的值在区间[0，1]中。网络的最终输出是通过变换输出维数来计算的重新缩放的输出函数计算如下：xc=Fscalee（uc，sc）=sc这里，Fscale是表示标量sc和特征图uc之间的逐通道乘法的重新缩放函数。3.3.2. 带SE模块的U-Net（Ronneberger等人，2015）指出，跳过连接是医学成像中的重要因素。U-Net成为各种医学成像应用的基础（Chen等人，2016年）[25] 。 原 始 的 U-Net 架 构 由 下 采 样 和 上 采 样 块 以 及 瓶 颈 层 组 成（Ronneberger等人，2015年）。然而，在这项研究中，批量归一化被添加到所提出的定制U-Net中。然后，使用定制的U-Net和SE块设计了语义分割。在图4中，探索了两种方法来将SE块插入到U-Net中。首先，每个编码和解码特征通过SE块来选择图1中的有用特征图。 四、因此，SE块之后是编码和解码块。第二，SE块仅添加到跳过连接的输出。SE块被给予以下输入：卷积块和它当前具有的通道数。使用平均合并将每个通道压缩为单个数值。一个完全连接的层，后面跟着一个ReLU函数，增加了必要的非线性。它的输出通道复杂度也降低了一定的比例。第二个完全连接的层，然后是S形激活，为每个通道提供平滑的门控函数。最后，基于所提出的侧网络的结果对卷积块的每个特征图几乎没有额外的计算成本（不到1%）。因此，SE块可以添加到任何模型。3.3.3. 带有SE模块的使用了一个密集的U网，它包括编码，解码，密集H Wzc=Fsq（uc）=1∑ ∑uc（i，j）HW块和跳过连接操作。SE模块已纳入×i=1j=1进入密集区SE密集块如图所示。 五、高密度U-Net网络具有编码器-解码器架构。用SE-致密块替换所有致密块。在SE密集块中，通过全局平均池化来完成挤压操作。在激发操作中，减少的比率为16，并且S形层用于对通道之间的相关性进行建模。3.4. 统计分析为了进行定量评估，将分割结果与地面实况进行比较。基于体积和边界距离-图三. 基本挤压和激励（SE）块的概念图，包括空间挤压操作和通道激励操作。基于Dice相似系数（DSC）和交集（IOU）的度量被计算。分析指标为答：R. Lee等人医学信息学解锁21（2020）1004405×=见图4。 将SE块插入U-Net的两种策略。(a)SE块被插入以分别跟随编码块和解码块。(b)的SE 块仅添加到跳过连接的输出图五、 一种在 密集块 中 插入SE模块的 策略 。（a）（b）中的SE密集块的详细架构（b）密集U网的结构根据每种算法的真实数据在ROI之间计算，并与每名受试者中梗死病变的ROI相关的非刚性方法共同配准。DSC和IOU的值接近于1表示精确分割，分割结果与地面真实值之间具有完美的边界。使用R和RStudio（R; RStudio，Inc.，Boston，MA，USA）。配对t检验被用来比较由所提出的方法与传统算法得到的DSC和IOU。4. 实验和结果4.1. 实验实施4.1.1. 实验装置使用来自Asan Medical Center的两种不同医学分割应用程序（用于急性梗死分割）和公共MICCAI 2017数据集[22]（用于WMH分割）的SE块对所提出的分割网络进行了评估。为了证明SE块的优势，基本的编码器-解码器网络，U-Net和密集U-Net进行了比较，有或没有SE块。而且还使用了丢骰子的功能。进行预处理，包括强度归一化和体积度量均衡。每次扫描均重新采样至相同的宽度和高度（384和384）。数据集分为训练集、验证集和测试集（分别为246、89和94名患者）。与OliaSphere的比较如下仅 使 用 试 验 组 的 75 例 患 者 （ n 94 ） 进 行 ， 因 为 在 某 些 情 况 下 ，OliaSphere未能分割梗死体积。这些模型是从头开始训练的。网络的输入数据使用b1000和ADC图构建为双通道图像4.1.2. SE缩减比SE块的缩减比r影响容量和计算成本[9]。对一系列不同的减速比r（4、8、16和32）进行了试验。表2给出了具有各种缩减比r的U-Net和SE块的分割结果。最佳减速比设定为16。4.2. 急性梗死节段4.2.1. 与传统图像处理算法的与传统的图像处理进行性能比较表2使用具有SE块的基本U-Net的不同缩减比r的性能比较。比率rDSC（SD）IOU（SD）SE比例4 0.824（0.107）0.714（0.140）SE比例8 0.832（0.101）0.723（0.135）SE比例160.854（0.008）0.755（0.016）SE比例32 0.827（0.103）0.717（0.138）注：DSC：Dice相似系数; IOU：并集交点; SD：标准差。答：R. Lee等人医学信息学解锁21（2020）1004406方法使用内部软件[26]以及包括阈值和区域生长算法的商业软件（Olea-Sphere; OleaMedical，LaCiotat，France），进行急性梗塞分割。使用内部软件，梗死区域被自动化，表4急性梗死分割的各种分割模型的比较。无SE块有SE块通过在图像上网络DSC（SD）IOU（SD）DSC（SD）IOU（SD）ADC图，并通过对b1000图像进行3D连通成分分析来消除假阳性。编码器-解码器0.749（0.145）0.617（0.160）0.768（0.135）a0.640（0.155）a表3给出了常规图像处理算法（即，内部和商业软件）用于梗塞分割。每个具有SE块的分割网络都比传统的图像处理方法获得了更好的分割效果密集U型网0.807（0.016）U-Net 0.845（0.010）0.693（0.026）0.743（0.018）0.842（0.016）a0.854（0.008）a0.744（0.023）a0.755（0.016）a租赁MS和商业软件。表4给出了带或不带SE块的分段网络的详细比较。基本U网和密集U网与SE块实现了更好的分割比相应的基本网络没有SE块。此外，如表5所示，使用灵敏度和阳性预测值等统计指标证明了该模型。图6显示了包括b1000和ADC的急性梗死图像，以及有和没有SE块的基本U-Net和密集U-Net的分割结果。放射科医生可以很容易地发现大的梗死灶-注：DSC：骰子相似系数; IOU：联合点交点; SD：标准差。一 所有包含SE块的语义分割网络都显著在DSC和IOU中优于无SE阻滞的患者（p 0.001）。<表5商业方法之间的性能比较。算法DSC（SD）IOU（SD）SEN PPV油橄榄b0.519（0.048）0.379（0.039）0.658 0.456Ssions。然而，如果梗死病灶的大小很小，放射科医生很难发现它。因此，预测小病变是重要的密集U形网+SE块U-Net+ SE块0.854（0.008）0.744（0.024）0.755（0.016）a0.9920.995a0.8340.845a帮助放射科医生。图图7和图8展示了在x轴上从小到大病变的数据集上具有和不具有SE块的语义分割网络的性能。与没有SE阻滞的病变相比，SE阻滞的小病变的分割结果有显著改善（p= 0.001）。4.3. WMH分割WMH分割还通过U-Net（有或没有SE块）进行了评价。采用与急性梗死数据集相同的预处理方法构建预处理的WMH数据集。到 比较 常规 图像 处理 方法， 病变使用了分割工具箱X（LST）[27]，这是一个开源的注：DSC：Dice相似系数; IOU：联合交点; SD：标准差; SEN：灵敏度; PPV：阳性预测值。一 基于CNN的算法与Olea软件进行了比较。的p值DSC的比较显着优于传统算法（p<0.001）。B 用于量化MRI中梗死病变的市售软件。5. 讨论评价了SE块语义分割模型在DWI和FLAIR图像WMH中分割梗死的性能增强。在这项研究中，SE块被提议仅被添加到跳过连接的输出，并被认为是在U-Net架构中进行优化的另一个组件。的工具箱X为SPM 12[21].的病变预测算法（LPA）所提出的方法，以提高性能和优化（Schmidt，2017），该模型通过具有内部训练数据的逻辑回归模型进行训练。工具箱通过具有严重病变模式的逻辑回归模型进行训练，并提供每个体积的WMH的估计概率。表6给出了具有和不具有SE块和LST的所提出的U-Net的分割结果。LST的DSC为61.7%，IOU为47.7%。具有SE块的U-Net实现了76.9%的DCS得分和63.3%的IOU，这表明全球范围与其他模型相比的准确度（p 0.001）。<这表明具有SE块的U-网可以鲁棒地增强语义分析的结果。分割，用于各种类型的大脑分割问题。表3传统图像处理算法和各种深度学习模型在急性梗死分割中的 性 能 比 较 。算法DSC（SD）IOU（SD）基于体积的算法（ADC->b1000）0.579（0.048）0.438（0.041）基于体积的算法（b1000->ADC）0.583（0.052）0.446（0.046）油橄榄b0.519（0.048）0.379（0.039）密集U形网+SE块0.842（0.016）a0.744（0.024）aU-Net+ SE块注：DSC：Dice相似系数; IOU：交点; SD：标准差; ADC：表观扩散系数;b1000：b值为1000。a将基于CNN的算法与基于体积的算法进行了比较(with ADC-b1000、b1000-ADC）和Olea软件。比较样本DSC的P值显著优于传统算法（p 0.001）。

下载后可阅读完整内容，剩余1页未读，立即下载