基于三维循环残差卷积的脊柱CT图像分割OA北大核心CSTPCD

脊柱计算机断层摄影(CT)图像的自动分割能够辅助医生诊疗相关疾病,相较于二维分割后再进行三维重建,三维分割方法更方便且能保留图像的空间信息。针对现有三维脊柱分割方法精度较低的问题,提出一种以三维循环残差卷积为基础的U型网络对脊柱CT图像进行分割。在网络前端引入三维坐标注意力机制使网络关注感兴趣的区域,使用三维循环残差模块代替普通卷积模块,使得网络在有效累积特征的同时缓解梯度消失问题。加入高效密集连接混合卷积模块减少底层细小特征信息的丢失,提出双特征残差注意力机制代替跳跃连接进行高低层级间的语义融合,通过聚合不同层级特征对全局上下文进行建模,提升分割性能。实验结果表明:在CSI2014公开数据集上,该网络Dice相似系数(DSC)达到93.85%,相较于对比的分割网络提升了1.77~7.65个百分点,相较于其他脊椎分割方法提升了1.67~10.85个百分点;在本地腰椎数据集上,相较于对比的分割模型DSC提升了1.51~19.86个百分点,验证了所提方法的有效性和应用于计算机辅助诊疗的可行性。