基于3D全卷积神经网络的肺叶自动分割方法

您当前的位置：

首页 >

文章列表页 >

生物医学光学 | 更新时间：2025-09-01

- 基于3D全卷积神经网络的肺叶自动分割方法
- Segmentation of lung lobes based on 3D full convolution neural network
- 光学技术 2021年47卷第1期页码：66-71
- 作者机构：
  
  1:上海理工大学医疗器械与食品学院医学影像处理实验室
- 作者简介：
- 基金信息：
  
  国家自然科学基金(81830052);上海市科技创新行动计划项目(18441900500)
- DOI：10.13741/j.cnki.11-1879/o4.2021.01.013
  中图分类号：
- 纸质出版：2021
- 稿件说明：
移动端阅览
祁章璇, 高磊, 聂生东. 基于3D全卷积神经网络的肺叶自动分割方法[J]. 光学技术, 2021,47(1):66-71.

Segmentation of lung lobes based on 3D full convolution neural network[J]. 2021, 47(1): 66-71.
祁章璇, 高磊, 聂生东. 基于3D全卷积神经网络的肺叶自动分割方法[J]. 光学技术, 2021,47(1):66-71. DOI： 10.13741/j.cnki.11-1879/o4.2021.01.013.

Segmentation of lung lobes based on 3D full convolution neural network[J]. 2021, 47(1): 66-71. DOI： 10.13741/j.cnki.11-1879/o4.2021.01.013.

基于电子计算机断层扫描(CT)影像的肺叶分割是医生诊断和治疗肺部疾病的重要参考之一

但肺叶边界的模糊以及手动分割的巨大工作量使得医生难以准确、快速地分割肺叶。为此

提出了一种基于新型3D全卷积神经网络的肺叶自动分割方法。对原始CT图像进行预处理

然后利用预处理后图像训练卷积神经网络

再将待分割图像输入到训练好的网络模型中

实现CT图像中肺叶的自动分割。实验数据包括来自上海市肺科医院的50例肺部疾病患者的CT图像

30例被用于训练

20例被用于测试。对分割结果进行了定量评价

其中Dice系数为0.961

Jaccard相似系数为0.916。实验结果表明该肺叶自动分割算法具有更好的分割性能以及更强的泛化能力

即使在训练集数据较少的情况下

也能够准确、快速的分割肺叶。

浏览量

378

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

传统解剖学特征与深度学习相结合的肺叶分割算法

深浅交错式特征融合的人体图像分割方法

基于高光谱遥感的荒漠化草原草种类分类模型研究

利用双流卷积神经网络的人脸表情识别方法

基于移动机器人和单目视觉的姿态测量方法