基于深度学习的膝关节MR图像自动分割方法

膝关节磁共振图像的自动分割具有重要的临床需求,图像中分割目标的大小不同为精准分割带来了挑战。基于深度学习,提出一种端到端的DRD U-Net。以残差模块作为基本模块,增加了对特征的复用能力。利用并行的扩张卷积模块获取不同的感受野,克服了U-Net模型单一感受野的局限性,提高了对不同大小目标的分割能力。设计多输出融合的深监督模块,直接利用不同层次的特征实现了信息互补,提高了分割区域的连贯性和准确性。在OAI-ZIB数据集上测试,平均分割表面距离为0.2 mm,均方根表面距离为0.43 mm,豪斯多夫距离为5.22 mm,平均戴斯系数(DSC)为93.05%,重叠误差为3.86%。相比于基线U-Net和其他现有模型,所提方法在膝关节股骨、胫骨、股骨软骨、胫骨软骨的分割方面都取得了更高的精度。