基于双残差网络的欠采样磁共振成像自动分割方法

作     者：段继忠 谢云爽 

作者机构：昆明理工大学信息工程与自动化学院 

出 版 物：《北京航空航天大学学报》 (Journal of Beijing University of Aeronautics and Astronautics)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：云南省基础研究计划项目(202301AT070452) 

主　　题：磁共振成像 深度学习 图像分割 联合重建与分割 

摘      要：为了实现欠采样磁共振成像的自动分割，与常规重建后再分割（基准）的方法不同，本文提出将重建和分割视为一个整体任务进行联合训练的网络架构。该架构融合了重建子网络（ISTA-Net+）和具有双残差结构的分割子网络。分割子网络采用编码器-解码器框架，其中编码器基于ResNet50，解码器由注意力增强的倒残差模块依次组成。在两个公共数据集上的实验结果表明，提出的网络在全采样分割任务和欠采样基准分割中的性能显著优于U-Net、UNET 3+、TransUNet、UCTransNet、CSWin-UNet和CTO六种先进网络。在欠采样情况下，提出的联合模型的Dice系数较其基准模型分别高1.89%和1.67%。值得注意的是，在ATLAS数据集上，联合模型的Dice系数甚至比全采样分割时高0.57%。综上所述，提出的联合模型相较于基准模型具有更精确的分割效果，并在欠采样条件下实现了与全采样分割相媲美的性能，为磁共振图像的自动分割提供了新的方向。