شبکه U-Net 3D تراکم یافته بهینه سازی شده برای بخش بندی مغز و ستون فقرات با رزولوشن بالا

بخش بندی تصویر سه بعدی فرآیند تقسیم حجم سه بعدی دیجیتال به چند بخش است. این مقاله یک روش کاملا خوکار برای بخش بندی حجمی سه بعدی با داده های پزشکی را با استفاده از رویکرد یادگیری عمیق تحتنظارت مدرن ارائه می دهد. ما معماری شبکه عصبی 3D Dense-U-Net را معرفتی می کنیم که لایه های متصل شده را به هم متصل می کند. این دستگاه برای پردازش تصویری شفاف با پردازش تصویر با وضوح بالا بر روی سخت افزار در حال حاضر (Nvidia GTX 1080ti) بهینه شده است. این روش بر روی داده های حجمی سه بعدی مغز MRI و مجموعه داده های س تی اسکن برای بخش بندی ستون فقرات ارزیابی شده است. درمقایسه با بسیاری از روش های قبلی، رویکرد ما قادر است بخش بندی دقیق داده های تصویر ورودی را در وضوح اصلی بدون هیچ پیش پردازش تصویر ورودی انجام دهد. این می تواند داده های تصویری را بشکل سه بعدی پردازش کند و دقت 99.72 درصد در مجموعه داده های مغز MRI را به دست آورد، که نتایج حاصل از متخصص انسانی را بهتر کرده است. در دیتابیس ستون مهره کمری و قفسه سینه آن دقت 99.80 درصد را به دست آورده است. معماری ارائه شده در این مقاله همچنین می تواند به راحتی به هر کار از قبل استفاده از شبکه U-Net به عنوان یک الگوریتم بخش بندی برای افزایش نتایج آن اعمال شود.

کلیدواژه ها:

، u-net ، مغز ، یادگیری عمیق ، بخش بندی سه بعدی ، دسترسی آزاد ، ستون فقرات ، بخش بندی معنایی ، شبکه عصبی