發(fā)布時間：2024-07-06 10:00

　　為促進阿爾茲海默癥的診斷及治療,實現對海馬體的精確分割,針對海馬體MRI圖像,提出一種基于U-net模型改進的分割算法。使用CLAHE等對原始圖像進行預處理,經處理后的圖像有效提高了分割效果;將殘差模塊加入實現分割算法的卷積網絡,增強網絡性能,避免網絡性能退化。對原始數據集進行擴充,將擴充后的樣本數據用以訓練網絡,解決數據量的問題。實驗結果表明,該算法在腦部MRI圖像中對海馬體實現了良好的分割效果,能較好輔助醫(yī)生診斷。

【文章頁數】：6 頁

【部分圖文】：

圖1算法流程

本文采用MRI圖像作為海馬體分割的數據源，算法的整體流程主要包括圖像預處理，數據擴充以及基于U-net模型的圖像分割3個主要步驟，算法的基本流程如圖1所示。1.1圖像預處理

圖2CLAHE直方圖裁剪

傳統(tǒng)的直方圖算法在對圖像的灰度進行分布的過程中，對有用信息以及噪聲進行了同樣的操作，這使得圖像中的噪聲得到放大。針對噪聲被同步放大的問題，通過限制性對比度自適應直方圖均衡算法（contrastlimitedadaptivehistogramequalization,CLA....

圖3預處理后的圖像

本文通過使用CLAHE算法對圖像進行預處理，以達到增強圖像對比度的目的，同時運用曲率驅動算法去除圖像噪聲，從而得到預處理后的圖像數據。由于實驗采用的腦部MRI圖像樣本，海馬體位置比較固定，因此基于U-net模型輸入數據的特點，從每個MRI圖像中提取一個128×128的圖像塊，對其....

圖4數據增強

原始數據的數量遠不足以訓練一個深層次網絡，因此在本文中用到了Keras自帶的圖像數據增強技術，對原始數據做平移、旋轉、扭曲等操作進行數據擴充以增加數據樣本量。但是通過這些變換得到的圖像相對于原始圖像在形狀上并沒有太大的差異。而考慮到真實的腦部MRI圖像中，根據海馬體的患病程度而導....

本文編號：4002430