基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练.利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试.结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9.相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低.另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度.实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断.     

基于3D VNetTrans的膝关节滑膜磁共振图像自动分割

膝关节是类风湿性关节炎（Rheumatoid Arthritis,RA）常见累及关节,膝关节滑膜的精准分割对RA诊断和治疗有重要影响,本文提出了一种基于VNet网络的改进算法对膝关节滑膜磁共振图像进行自动分割．首先对39名滑膜炎患者的膝关节磁共振图像进行数据预处理,通过将Transformer编码器嵌入VNet网络底部的方式构建VNetTrans网络,使用MemSwish激活函数进行训练. 最终模型平均Dice系数为0.758 5,HD为24.6 mm;相较于VNet,Dice系数提升0.083 6,HD距离减少10 mm．实验结果表明,该算法可对膝关节磁共振图像中滑膜增生区域实现较好的3D分割,具有诊断和监测RA发展过程的应用价值．