多尺度空洞 U-Net 网络的电影 CMR 图像分割

来源：计算机技术与发展杂志2022年第11期北京时间：

作者：王建军;李婉晴*;张敏

摘要：在电影心脏核磁共振(CMR)图像上准确分割左心室、右心室和心肌是心脏功能评估和诊断的重要步骤。 然而,大多数带标注的 CMR 图像数据量较少,无法满足训练需求,同时 CMR 图像中心脏结构复杂,心室及心肌边界不清晰,导致分割效果欠佳。 因此,该文提出了一种基于迁移学习和多尺度空洞 U-Net 网络的 CMR 图像分割方法,使用迁移学习,将预训练模型得到的网络参数迁移到目标模型上作为目标模型的初始化参数,提高网络的特征学习能力,解决 CMR 图像数据量不足的问题;在 U-Net 网络中引入多尺度空洞卷积模块,使用空洞卷积代替普通卷积在参数不变的情况下扩大了感受野,并且采用多尺度特征融合提取更加精细的特征,解决 CMR 图像边界曲线欠分割的问题。 实验结果表明,该方法能有效实现心脏中左心室、右心室和心肌的准确分割,平均 Dice 系数和 Hausdorff 距离平均值分别为 0. 902 和 4. 219 mm,对比其他网络分割模型明显提高了分割精度。

关键词：心脏核磁共振图像;U-Net 网络;迁移学习;多尺度空洞卷积;特征融合