基于深度学习的血管内光学相干层析图像轮廓分割
|
浏览次数：
![zoޛ)j馟4Ӎ4M?3P?t㍴_}o_m4^}9M?Lm4 4h8$ 8$߭zw2vsLP 3O]o餦}t
z
zoC^C^C^
zД5](http://tp.67gu.com/showimg.php?url=http://img.qikan.com.cn/qkimages/dnjl/dnjl201933/dnjl20193388-1-l.jpg)
评价深度学习网络中输出结果的预测值与手工标注金标准之间的差异函数。通过损失函数计算输出深度学习网络预测值与真值之间的差别，来判断网络参数的好坏。两者的差别越小，损失函数越趋近于0，说明该深度神经网络框架的效果越好，反之则越差。
3实验结果
实验平台的硬件配置采用Intel（R）Xeon（R）CPU E5-2620，主频为2.1GHz，搭配32G内存，GPU采用NVIDIA TITANX显卡用以加速卷积神经网络运算，显存为12G，核心频率为1417MHz，单精度浮点运算能力为11Tflops。实验中的U-Net网络框架的搭建采用Keras。实验数据采集自同济大学附属东方医院心内科。实验挑选800张经过专家标注过的图片作为实验数据。在训练时挑选其中400张图片作为训练集。
在医学图像的分割中，常用的评价分割好坏标准的参数有：戴斯相似性系数，杰卡德相似系数，准确率，召回率，特异性。
通过对不同层数U-Net网络的分割结果比较，我们发现U-Net对血管腔轮廓的分割结果是有效的，且分割出的轮廓较为平滑，也没有受到血管腔内血栓的影响。
4结束语
本文我们提出了使用不同层数的U-Net的深度学习框架来分割IVOCT血管腔轮廓。实验表明U-Net网络对于分割IVOCT血管腔轮廓是有效的。我们相信这项工作也可以用在其他医学图像分割的任务上。未来我们将尝试增加注意力机制，进一步提高分割的精度，实现分割的全自动化。
下一篇：心血管内科专家