基于AttentionNet和DenseUnet的脊椎CT分割 
下载： 1368次
Spinal CT Segmentation Based on AttentionNet and DenseUnet
西北大学信息科学与技术学院, 陕西 西安 710127
图 & 表
图 1. 多通道拼接结构图
Fig. 1. Diagram of multi-channel splicing structure
下载图片 查看原文
图 2. AttentionNet结构
Fig. 2. Structure of AttentionNet
下载图片 查看原文
图 3. 标签与映射图的映射关系
Fig. 3. Mapping relationship between label and mapping graph
下载图片 查看原文
图 4. Dense block结构
Fig. 4. Structure of Dense block
下载图片 查看原文
图 5. DenseUnet结构
Fig. 5. Structure of DenseUnet
下载图片 查看原文
图 6. 不同网络在验证集上的准确率、损失值与迭代次数的关系。(a)迭代次数与准确率的关系;(b)迭代次数与损失值的关系
Fig. 6. Relationship between accuracy, loss value, and iterations of different networks on validation set. (a) Relationship between iterations and accuracy; (b) relationship between iterations and loss value
下载图片 查看原文
图 7. 误差分析图
Fig. 7. Error analysis diagram
下载图片 查看原文
图 8. 四种训练样本的误差分析图
Fig. 8. Error analysis diagram of four training samples
下载图片 查看原文
图 9. 03_365_2号测试样本。(a)原始数据;(b)标签;(c)预训练预测图;(d) Dense_end分割结果
Fig. 9. Test sample 03_365_2. (a) Raw data; (b) label; (c) pre-trained prediction map; (d) segmentation result of Dense_end
下载图片 查看原文
图 10. 图像数据与位置像素分布信息图。(a)原图像;(b)位置像素分布信息图
Fig. 10. Image data and location pixel distribution infographic. (a) Original image; (b) location pixel distribution infographic
下载图片 查看原文
图 11. 传统DenseUnet和所提方法的分割效果。(a)原图;(b)标签;(c)传统DenseUnet;(d)所提方法
Fig. 11. Segmentation effect of traditional DenseUnet and proposed method. (a) Original image; (b) label; (c) traditional DenseUnet; (d)proposed method
下载图片 查看原文
表 1Unet与传统DenseUnet分割结果
Table1. Segmentation results of Unet and traditional DenseUnetunit: %
| Network | DDice | DIOU | DVS |
|---|
| Unet | 94.19 | 89.68 | 96.49 | | Traditional DenseUnet | 95.48 | 91.51 | 97.81 |
|
查看原文
表 2不同网络的参数量
Table2. Number of parameters of different networks
| Network | Number of parameters |
|---|
| Traditional DenseUnet | 46978875 | | Unet | 31030593 | | Proposed Method | 39543451 |
|
查看原文
表 3不同训练样本的分割结果比较
Table3. Comparison of segmentation results of different training samplesunit: %
| Training sample | DDice | DIOU | DVS |
|---|
| Traditional DenseUnet | 95.48 | 91.50 | 97.81 | | Dense_atten | 95.88 | 92.18 | 98.42 | | Dense_pred | 94.03 | 89.00 | 97.77 | | Dense_end | 96.42 | 93.19 | 98.00 |
|
查看原文
田丰源, 周明全, 闫峰, 范力, 耿国华. 基于AttentionNet和DenseUnet的脊椎CT分割[J]. 激光与光电子学进展, 2020, 57(20): 201008. Fengyuan Tian, Mingquan Zhou, Feng Yan, Li Fan, Guohua Geng. Spinal CT Segmentation Based on AttentionNet and DenseUnet[J]. Laser & Optoelectronics Progress, 2020, 57(20): 201008.
PDF全文
