基于混合损失函数的改进型U-Net肝部医学影像分割方法 
下载： 2361次
Improved U-Net Based on Mixed Loss Function for Liver Medical Image Segmentation
1 天津大学微电子学院, 天津 300072
2 天津市成像与感知微电子技术重点实验室, 天津 300072
图 & 表
图 1. 所提网络的结构
Fig. 1. Structure of proposed network
下载图片 查看原文
图 2. 改进的U-Net结构
Fig. 2. Improved U-Net structure
下载图片 查看原文
图 3. 网络结构的残差优化模块。(a)传统残差优化模块;(b)改进的残差优化模块
Fig. 3. Residual refine module of network structure. (a) General residual refine module; (b) improved residual refine module
下载图片 查看原文
图 4. 改进U-Net的训练误差和测试准确率。(a)肝肿瘤分割;(b)肝脏分割
Fig. 4. Training error and test accuracy of improved U-Net. (a) Liver tumor segmentation; (b) liver segmentation
下载图片 查看原文
图 5. 不同网络对肝脏图像分割的结果
Fig. 5. Segmentation results of liver images obtained by different networks
下载图片 查看原文
图 6. 肝脏分割的Dice系数箱型图
Fig. 6. Box plot of Dice coefficient of liver segmentation
下载图片 查看原文
图 7. 不同网络对肝肿瘤图像分割的结果
Fig. 7. Segmentation results of liver tumor images obtained by different networks
下载图片 查看原文
图 8. 肝肿瘤分割的Dice系数箱型图
Fig. 8. Box plot of Dice coefficient of liver tumor segmentation
下载图片 查看原文
图 9. 大结节的分割结果
Fig. 9. Segmentation results of big nodules
下载图片 查看原文
图 10. 小结节的分割结果
Fig. 10. Segmentation results of small nodules
下载图片 查看原文
表 1不同网络对肝脏图像进行分割时的性能对比
Table1. Performance comparison of different networks for liver image segmentation
| Network | Dice coefficient | VOE /% | RVD /% | SEN | Jaccard coefficient |
|---|
| FCN-8s | 88.38 | 19.62 | -1.25 | 86.49 | 0.88 | | UNet | 82.78 | 24.79 | -2.72 | 81.46 | 0.83 | | H-DenseUNet[5] | 96.50 | 7.40 | 1.80 | | | | 2D FCN[14] | 94.30 | 10.70 | -1.40 | | | | BS UNet[15] | 96.10 | 7.50 | 2 | | | | Proposed network | 96.26 | 7.90 | 0.80 | 95.96 | 0.92 |
|
查看原文
表 2不同网络对肝肿瘤图像进行分割时的性能对比
Table2. Performance comparison of different networks for liver tumor image segmentation
| Network | Dice coefficient | VOE /% | RVD /% | SEN | Jaccard coefficient |
|---|
| FCN-8s | 75 .57 | 71.43 | -14.25 | 70.29 | 0.52 | | U-Net | 72.23 | 67.62 | -18.72 | 66.87 | 0.40 | | KC-SVM[16] | 84 | 28.22 | | | 0.73 | | RA-UNet[17] | 83 | 30.61 | | | 0.74 | | Edge-SVM[18] | 82 | 36.70 | | | 0.69 | | Proposed network | 83.32 | 11.62 | -15.98 | 79.88 | 0.72 |
|
查看原文
表 3不同网络的性能对比
Table3. Performance comparison of different networks
| Network | Dice coefficient | SEN | Jaccard coefficient |
|---|
| FCN-8s | 73.32 | 79.83 | 0.64 | | U-Net | 71.17 | 76.96 | 0.71 | | CDP-ResNet+IWS[19] | 81.85 | 87.30 | | | DB-ResNet[20] | 82.74 | 89.35 | | | CF-CNN+Scale[21] | 78.55 | 86.01 | | | Proposed network | 79.23 | 86.49 | 0.78 |
|
查看原文
黄泳嘉, 史再峰, 王仲琦, 王哲. 基于混合损失函数的改进型U-Net肝部医学影像分割方法[J]. 激光与光电子学进展, 2020, 57(22): 221003. Yongjia Huang, Zaifeng Shi, Zhongqi Wang, Zhe Wang. Improved U-Net Based on Mixed Loss Function for Liver Medical Image Segmentation[J]. Laser & Optoelectronics Progress, 2020, 57(22): 221003.
PDF全文
