• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)U-Net的下肢骨骼CT圖像分割①

    2022-11-07 09:07:28劉金輝倪佳佳黎學(xué)飛
    關(guān)鍵詞:特征實(shí)驗(yàn)模型

    劉金輝,童 晶,倪佳佳,黎學(xué)飛,張 旭

    (河海大學(xué) 信息學(xué)部 物聯(lián)網(wǎng)工程學(xué)院,常州 213022)

    骨折是日常生活中常見的一種骨科疾病,如果不及時(shí)采取治療或治療方式欠妥會影響患者術(shù)后康復(fù),困擾患者的健康生活.對于普通骨折,有經(jīng)驗(yàn)的醫(yī)生可以通過計(jì)算機(jī)斷層掃描來定位骨骼、判斷骨折類型與受損程度.當(dāng)骨折程度較為嚴(yán)重或執(zhí)行大型手術(shù)時(shí),就需要對骨骼建模生成三維模型輔助醫(yī)師開展術(shù)前規(guī)劃,因此對骨骼的精確分割意義重大.

    骨骼醫(yī)學(xué)圖像的分割算法發(fā)展至今,大多以傳統(tǒng)圖像處理方法為主.由于人體組織對X 射線的吸收程度不同,顯現(xiàn)在CT 圖像上的灰度值就不同.骨骼做為高吸收區(qū),成像多為白影,因此國內(nèi)外提出了許多使用閾值分割的算法.如李銀波等[1]提出的一種自適應(yīng)閾值方法對骨骼切片的分割,結(jié)合區(qū)域生長和Chebyshev濾波逼近的方法,對閾值進(jìn)行改善.Kang 等[2]提出一種迭代閾值法對骨骼進(jìn)行分割,首先對原始CT 做形態(tài)學(xué)操作,然后不斷迭代閾值點(diǎn),優(yōu)化分割結(jié)果.Bakthula等[3]提出一種結(jié)合圖像增強(qiáng)與聚類的骨骼分割方法,首先對待聚類的圖像做優(yōu)化,提高聚類準(zhǔn)確性.以上算法均存在過分依賴于數(shù)據(jù)的好壞,以及分割精度較低的問題.

    隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展,其強(qiáng)大的特征提取能力使得深度學(xué)習(xí)技術(shù)成功在醫(yī)學(xué)圖像領(lǐng)域大放光彩.與傳統(tǒng)的分割算法相比,神經(jīng)網(wǎng)絡(luò)算法擁有大量可學(xué)習(xí)神經(jīng)元參數(shù)與非線性的表達(dá),可以很好地去除CT 數(shù)據(jù)中的噪聲,提取骨骼特征.Shelhamer 等[4]提出一種全卷積網(wǎng)絡(luò)(FCN),開啟了語義分割的熱潮.FCN 使用卷積層代替全連接層,并通過轉(zhuǎn)置卷積將特征圖的大小變換回輸入圖像的尺寸,同時(shí)將淺層網(wǎng)絡(luò)的特征信息與深層網(wǎng)絡(luò)中的特征信息相加來提高分割精度,從而實(shí)現(xiàn)對任意尺寸圖像進(jìn)行像素級別的分割.Ronneberger 等[5]對 FCN 模型進(jìn)行改進(jìn),提出了U-Net 模型.U-Net 模型采用對稱的編碼與解碼格式,將下采樣與上采樣的特征相互融合來彌補(bǔ)丟失的信息,充分地利用了空間信息與語義信息,使得分割結(jié)果更加精細(xì),其在醫(yī)學(xué)圖像分割領(lǐng)域中表現(xiàn)優(yōu)異.He 等[6]為解決梯度消失等問題,提出了特征直接映射的殘差結(jié)構(gòu),為更深的網(wǎng)絡(luò)層數(shù)提供了支持.Hu 等[7]提出了Se-Net 模型,該模型專注于特征圖的通道維度,通過對特征圖擠壓與擴(kuò)張獲取特征與特征之間的關(guān)系,可以讓網(wǎng)絡(luò)更加專注于信息量大的通道,實(shí)現(xiàn)了通道注意力.Oktay 等[8]將U-Net 與注意力機(jī)制相結(jié)合提出Attention U-Net,通過注意門模塊將網(wǎng)絡(luò)專注于目標(biāo)物體區(qū)域,實(shí)現(xiàn)精細(xì)分割.

    神經(jīng)網(wǎng)絡(luò)與骨骼分割結(jié)合的算法也有很多.Vania等[9]通過使用數(shù)據(jù)處理和簡單的卷積神經(jīng)網(wǎng)絡(luò)結(jié)合實(shí)現(xiàn)對脊柱骨骼的自動(dòng)分割.Klein 等[10]通過對U-Net 改進(jìn)實(shí)現(xiàn)對全身骨骼的分割.Noguchi 等[11]通過使用新型的數(shù)據(jù)增強(qiáng)方式結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對人體骨骼的分割.以上工作都較傳統(tǒng)算法有了大幅度提升,但大多依賴于數(shù)據(jù)的增強(qiáng)來提升準(zhǔn)確度,對網(wǎng)絡(luò)模型的改進(jìn)不足,骨骼的分割精度遠(yuǎn)遠(yuǎn)不夠.因此為了解決以上問題本文提出一種新的分割框架.本文主要貢獻(xiàn)包括:1)針對下肢CT 數(shù)據(jù)提出一種新的骨骼分割方法.2)基于空洞卷積思想,結(jié)合多尺度金字塔模塊進(jìn)一步增強(qiáng)對骨骼信息的提取.3)基于空間與通道注意力機(jī)制,改進(jìn)高低維度特征融合不充分的問題,提升了模型的分割精度.

    1 分割算法

    人體下肢骨骼CT 數(shù)據(jù)的形狀不同,大小不一,尤其在骨骼兩端因?yàn)槠涔敲芏容^小,導(dǎo)致出現(xiàn)于其他組織區(qū)分度不大的情況,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)難以對其精確分割.本文提出的AFU-Net 是將醫(yī)學(xué)領(lǐng)域中表現(xiàn)優(yōu)異的U-Net 作為基礎(chǔ)網(wǎng)絡(luò),針對骨骼數(shù)據(jù)特點(diǎn)與U-Net自身缺點(diǎn)出發(fā)進(jìn)行改進(jìn).AFU-Net 的整體模型如圖1所示.

    圖1 AFU-Net 網(wǎng)絡(luò)框架圖

    網(wǎng)絡(luò)編碼階段又稱為下采樣階段使用卷積、批歸一化、ReLU 激活函數(shù)以及尺寸為2×2 的最大池化構(gòu)成的骨干模塊.每次下采樣后通道數(shù)會增加一倍,尺寸會縮小為原來的1/4.因訓(xùn)練過程中對樣本數(shù)據(jù)進(jìn)行裁剪,所以將U-Net 的4 次下采樣縮減為3 次.圖像分割的整體流程: 首先使用編碼器提取骨骼圖像語義特征;其次通過密集連接的多尺度卷積模塊獲取更豐富的特征信息; 最后將解碼器的輸出與編碼器的輸出通過結(jié)合注意力機(jī)制的融合模塊進(jìn)行融合來彌補(bǔ)下采樣丟失的信息,多次上采樣直到恢復(fù)為原圖分辨率為止.

    1.1 密集連接的多尺度卷積模塊

    相對于U-Net,本網(wǎng)絡(luò)下采樣次數(shù)較少,導(dǎo)致卷積操作的感受野較小,獲取信息具有局限性,對于深層的語義信息提取效果較差.為了彌補(bǔ)感受野小的缺陷,提出了使用密集連接的多尺度卷積模塊(DASP)模塊來增強(qiáng)對不同尺寸的信息提取能力,有效地?cái)U(kuò)大了感受野的同時(shí)還避免了多次下采樣帶來的信息丟失.DASP模塊思想來源于密集卷積模塊[12]和ASPP 模塊[13],并對其原有模塊進(jìn)行化簡與融合,提高對骨骼特征的提取能力.DASP 模塊如圖2 所示.

    圖2 密集連接的多尺度卷積模塊

    空洞卷積操作是在卷積核中插入空洞,使得在參數(shù)量不變的情況下,網(wǎng)絡(luò)可以獲得更大的感受野.圖2中d表示空洞率即卷積核中插入空洞的個(gè)數(shù),當(dāng)空洞率為1 時(shí)空洞卷積與常規(guī)卷積操作相同.ASPP 模塊通過平行引入不同空洞率的空洞卷積來實(shí)現(xiàn)多尺度的信息提取,有效地提升了分割精度.但是ASPP 也存在相應(yīng)的問題: 空洞卷積因?yàn)榭斩吹拇嬖?采樣點(diǎn)較為分散導(dǎo)致大量信息被拋棄; 當(dāng)空洞率較大時(shí),小目標(biāo)物體的分割就會受到影響.因此本文將不同空洞率的路徑的輸入輸出以通道維度密集連接起來,有效地避免了信息丟失的同時(shí)帶來了較大的感受野.密集連接后的模型可以同時(shí)實(shí)現(xiàn)串聯(lián)和并聯(lián)的卷積操作,使得網(wǎng)絡(luò)可以自適應(yīng)的獲取骨骼信息.最后使用普通卷積操作將合并后的特征圖通道降維至與輸入通道相同.DASP 可以表示為:

    其中,X代表輸入,Xi代表中間操作的輸出,Y代表最終輸出,di代表空洞率,Conv 代表空洞卷積操作,[]代表通道維度連接.可以看到每一層的輸入都是前面所有中間操作的輸出通道連接,最后通過卷積操作降低維度作為輸出.空洞率的選取也決定著信息提取的好壞,較差的空洞率組合會帶來網(wǎng)格效應(yīng).根據(jù)混合空洞卷積理論[14]和本實(shí)驗(yàn)對比結(jié)果,我們選取大小為3,5,7 的空洞率組合.

    1.2 結(jié)合注意力機(jī)制的融合模塊

    U-Net 網(wǎng)絡(luò)針對下采樣信息丟失的問題采用跳層連接來解決,將淺層特征與深層特征拼接融合后,作為上采樣的特征圖.其優(yōu)點(diǎn)在于操作簡單,可以彌補(bǔ)大量丟失信息,但其仍有不足: 一方面使得解碼器無法很好地利用淺層空間信息,另一方面引入的空間信息也會破壞原有的語義信息.因此合理的利用不同維度的信息,對提高分割精度有重要意義.為了解決這個(gè)問題,本文提出了結(jié)合注意力機(jī)制的融合模塊(AF).

    AF 模塊結(jié)合了常見的模塊融合方法與相應(yīng)的注意力機(jī)制,采用不同的方式實(shí)現(xiàn)跳層連接,因此AF 模塊可以看作由通道注意力分支與空間注意力分支成,可以更加充分地將高低維度特征融合在一起.AF 模塊如圖3 所示,融合模塊的整體流程如下.

    圖3 結(jié)合注意力機(jī)制的融合模塊

    1)將高維特征經(jīng)過雙線性插值放大尺寸,實(shí)現(xiàn)與低維度特征具有相同分辨率.2)將高維度特征H 按通道維度隨機(jī)平分生成H1,H2.3)將低維度特征經(jīng)過卷積核為1×1 的卷積層實(shí)現(xiàn)跨域操作生成L.4)H1 與L 通過通道注意力分支與普通卷積操作后生成Fc.5)H2 與L 通過空間注意力分支與普通卷積操作后生成Fs.6)Fc 與Fs 融合后通過CBR 模塊進(jìn)行通道降維,作為模塊輸出.

    通道注意力分支為經(jīng)典的壓縮激勵(lì)模塊[7],該模塊旨在獲取特征通道之間的關(guān)系.低維度特征即使通過1×1 的卷積實(shí)現(xiàn)跨域操作后,其中仍包含大量的無用信息,若直接與高維度特征融合,會存在破壞語義信息的可能性.因此本文通過通道注意力機(jī)制來抑制無用的信息通道.通道注意力流程為: 首先對特征圖每一個(gè)通道做全局平均池化來獲取當(dāng)前通道的全局特征,實(shí)現(xiàn)特征壓縮; 其次使用兩個(gè)大小為1×1 的卷積操作和ReLU 激活函數(shù)代替原文中的全連接層并學(xué)習(xí)通道與通道之間的關(guān)系; 最后將學(xué)習(xí)后的特征經(jīng)過Sigmoid變換后作為通道的權(quán)重,實(shí)現(xiàn)特征激勵(lì),以此來突出重要的骨骼信息.通道分支可用式(3)和式(4)表示.

    Conv 表示卷積核為1×1 的卷積操作; GAP 表示為全局平均池化; []表示為通道維度的連接.為了實(shí)現(xiàn)減少參數(shù)量和模型復(fù)雜度,第1 個(gè)卷積層的輸出通道縮小r倍,第2 個(gè)卷積層的輸出通道數(shù)放大r倍即恢復(fù)至原來大小.實(shí)驗(yàn)結(jié)果表明,CT 數(shù)據(jù)集分割任務(wù)的降維系數(shù)r取16 時(shí)效果最佳.

    空間注意力分支旨在獲取特征圖空間上的關(guān)系,從自身學(xué)習(xí)通道共享的空間權(quán)重參數(shù),以此來突出骨骼特征[15].空間注意力分支通過將不同維度的特征圖相加來實(shí)現(xiàn)語義信息與空間信息融合,再通過注意力機(jī)制,將網(wǎng)絡(luò)的關(guān)注重心放在骨骼信息上.整體流程為:首先將高低維度特征元素相加; 對相加后的特征做通道上的最大池化與平均池化; 將獲取到的兩個(gè)特征圖通道連接后經(jīng)過一個(gè)卷積核大小為7×7 的卷積層,生成通道數(shù)為1 的特征圖; 最后將生成的特征圖經(jīng)過Sigmoid變化后作為高低維度融合后的空間權(quán)重,以此來實(shí)現(xiàn)更好地實(shí)現(xiàn)特征融合.空間分支可用式(5)和式(6)表示.

    最后將空間注意力分支和通道注意力分支的結(jié)果做通道連接后,采用與編碼階段的骨干模塊相似的CBR(Conv2d,BN,ReLU)模塊實(shí)現(xiàn)通道降維.AF 模塊的輸出可以用式(7)表示.

    2 實(shí)驗(yàn)過程

    本文實(shí)驗(yàn)在自建下肢CT 數(shù)據(jù)集與公開數(shù)據(jù)集Peréz-Carrasco 上開展對比實(shí)驗(yàn),詳細(xì)介紹了骨骼分割實(shí)驗(yàn)的數(shù)據(jù)處理、實(shí)驗(yàn)設(shè)置、評價(jià)指標(biāo)與實(shí)驗(yàn)結(jié)果.

    2.1 數(shù)據(jù)處理

    實(shí)驗(yàn)使用的數(shù)據(jù)均來自常州市圖形圖像與骨科植入物數(shù)字化技術(shù)重點(diǎn)實(shí)驗(yàn)室提供的人體下肢CT 數(shù)據(jù)集(簡稱CT 數(shù)據(jù)集).對CT 數(shù)據(jù)集沿Axial 方向切片后生成共8 000 張dcm 格式的二維CT 圖像.將數(shù)據(jù)集以8:2 比例劃分為訓(xùn)練集與驗(yàn)證集.標(biāo)簽數(shù)據(jù)為專業(yè)醫(yī)師采用Mimics 手工標(biāo)注得到,轉(zhuǎn)換后生成只含0、1 值的PNG 圖片.CT 數(shù)據(jù)集圖像大小為512×512,將原始CT 圖像通過Pydicm 庫設(shè)置為適合查看骨骼數(shù)據(jù)的窗寬窗位后導(dǎo)出,圖4 表示原始CT 圖像與醫(yī)師標(biāo)注的金標(biāo)準(zhǔn)對比圖.

    圖4 CT 數(shù)據(jù)與金標(biāo)準(zhǔn)

    觀察原始數(shù)據(jù)集可知,骨骼數(shù)據(jù)在原始圖中占比較小且相對集中,導(dǎo)致圖中大部分為無用的信息,所以訓(xùn)練過程中對數(shù)據(jù)集進(jìn)行有規(guī)劃的隨機(jī)裁剪,可以節(jié)省訓(xùn)練時(shí)間和起到數(shù)據(jù)增強(qiáng)的作用.規(guī)劃的隨機(jī)裁剪目的為將原圖裁剪成大小為128×128、包含較多骨骼圖像的小尺寸訓(xùn)練樣本.因此裁剪區(qū)域需要滿足式(8)的約束.

    N表示為當(dāng)前區(qū)域骨骼像素的總數(shù);i表示當(dāng)前隨機(jī)裁剪的次數(shù),i取值[1,100].圖片的隨機(jī)剪裁次數(shù)越多,對其剪裁區(qū)域的約束要求越低.為了擴(kuò)充數(shù)據(jù)集樣本的多樣性和提高模型的泛化性,除了使用上述的裁剪方法,本實(shí)驗(yàn)還使用了隨機(jī)旋轉(zhuǎn)、隨機(jī)水平反轉(zhuǎn)和光度失真3 種數(shù)據(jù)增強(qiáng)的方法.

    2.2 實(shí)驗(yàn)設(shè)置

    實(shí)驗(yàn)所使用硬件平臺為16 GB 的Tesla T4 顯卡,使用的深度學(xué)習(xí)開源框架為PyTorch 1.8.0,Python 版本為3.6,CUDA 版本為11.0.本文采用SGD 優(yōu)化器來對模型參數(shù)訓(xùn)練優(yōu)化,并使用Poly 學(xué)習(xí)策略對學(xué)習(xí)率進(jìn)行調(diào)整,具體定義如式(9).其中初始學(xué)習(xí)率lr設(shè)置為0.001,power為0.9,最大訓(xùn)練次數(shù)total_epoch為100,并設(shè)置batch_size為64.

    針對骨骼數(shù)據(jù)集的特點(diǎn),損失函數(shù)的選取使用了以Dice系數(shù)損失函數(shù)為主,Focal 損失函數(shù)[16]為輔的策略.CT 數(shù)據(jù)集中骨骼數(shù)據(jù)相對其余組織占比較少,使用交叉熵?fù)p失函數(shù)會將忽略骨骼數(shù)據(jù)帶來的梯度,從而導(dǎo)致較差的模型優(yōu)化.Dice損失函數(shù)的優(yōu)化不會根據(jù)類別像素占比來決定,因此選擇Dice損失函數(shù)作為主要的損失函數(shù).同時(shí)Dice損失函數(shù)也具有訓(xùn)練不穩(wěn)定,梯度變化劇烈等情況,因此選擇配合Focal 損失函數(shù)使用.Focal 損失函數(shù)最早使用于目標(biāo)檢測中正負(fù)樣本比例嚴(yán)重失衡的場景,有利于困難樣本的挖掘和學(xué)習(xí),針對骨密度較低的難樣本具有較好的優(yōu)化作用.因此損失函數(shù)可用式(10)表示,α表示輔助損失函數(shù)的權(quán)重,經(jīng)實(shí)驗(yàn),當(dāng)α取0.5 時(shí)效果最好.

    2.3 評價(jià)指標(biāo)

    本文使用Dice系數(shù)(Dice)、交并比(IoU)系數(shù)、召回率(Recall)、精確率(Precision)來評判模型分割質(zhì)量.其計(jì)算方式如式(11)-式(14)所示:

    其中,TP(true positives)、TN(true negatives)、FP(false positives)、FN(false negatives)依次表示為預(yù)測和標(biāo)簽均為骨骼像素點(diǎn)數(shù)量(真陽性)、預(yù)測和標(biāo)簽均為背景像素點(diǎn)數(shù)量(真陰性)、預(yù)測為骨骼和標(biāo)簽為背景的像素點(diǎn)數(shù)量(假陽性)、預(yù)測為背景和標(biāo)簽為骨骼的像素點(diǎn)數(shù)量(假陰性).以上指標(biāo)范圍均為0-1 之間,越靠近1 表示模型的預(yù)測能力越強(qiáng).

    2.4 實(shí)驗(yàn)結(jié)果匯總

    本實(shí)驗(yàn)選擇了在語義分割領(lǐng)域中具有代表性的網(wǎng)絡(luò)模型: U-Net[5]、Attention U-Net[8]和BiSeNet[17]作為對比網(wǎng)絡(luò)模型.在CT 數(shù)據(jù)集上多次實(shí)驗(yàn)計(jì)算平均值作為最終實(shí)驗(yàn)結(jié)果,實(shí)驗(yàn)結(jié)果如表1 所示.由表1 可知在Dice系數(shù)上,AFU-Net 相較于U-Net 提高5 個(gè)百分點(diǎn).相較于同樣使用注意力機(jī)制提高精度的Attention UNet 提高了2 個(gè)百分點(diǎn).在其余指標(biāo)上AFU-Net 均有不同程度的提高,證明了AFU-Net 模型能夠更為準(zhǔn)確地對下肢CT 數(shù)據(jù)的骨骼進(jìn)行精確分割.

    表1 CT 數(shù)據(jù)集實(shí)驗(yàn)結(jié)果(%)

    圖5 展示了不同模型的分割結(jié)果,從左至右依次為: 原始數(shù)據(jù)、醫(yī)師標(biāo)注的金標(biāo)準(zhǔn)、U-Net、Attention U-Net、BiSeNet 和AFU-Net.可以看到在簡單樣本中U-Net、Attention U-Net、BiSeNet 和AFU-Net 均有較好的表現(xiàn),但在低密度骨骼區(qū)域和有部分小目標(biāo)碎骨的難樣本中AFU-Net 分割得更為準(zhǔn)確.

    圖5 CT 數(shù)據(jù)集實(shí)驗(yàn)結(jié)果對比

    為進(jìn)一步證明AFU-Net 網(wǎng)絡(luò)具有較好的泛化性,我們選取公開數(shù)據(jù)集Peréz-Carrasco 等[18]來驗(yàn)證網(wǎng)絡(luò)的有效性.它是由20 位患者的27 套不同部位的骨骼CT 數(shù)據(jù)集組成,年齡分布在16-93 歲.Peréz-Carrasco數(shù)據(jù)集對于深度學(xué)習(xí)算法而言,訓(xùn)練樣本數(shù)量較少,但AFU-Net 同樣表現(xiàn)得較為良好.

    為了確保實(shí)驗(yàn)結(jié)果準(zhǔn)確,本實(shí)驗(yàn)參考原文中的實(shí)驗(yàn)設(shè)置,隨機(jī)選取18 套數(shù)據(jù)作為訓(xùn)練集,9 套數(shù)據(jù)作為驗(yàn)證集.取原文中的算法實(shí)驗(yàn)結(jié)果來進(jìn)行對比,對比結(jié)果如表2 所示.

    表2 Peréz-Carrasco 數(shù)據(jù)集實(shí)驗(yàn)結(jié)果(%)

    本文算法在數(shù)據(jù)量較小的Peréz-Carrasco 數(shù)據(jù)集上,仍能取得較好的分割結(jié)果.相較于文獻(xiàn)[18]Dice系數(shù)提升了4%,IoU系數(shù)提高了5%.AFU-Net 的分割耗時(shí)依賴于算力的好壞,但較為普通的顯卡推理速度也優(yōu)于原始算法,T4 顯卡下推理一張圖片耗時(shí)0.2 s,相對于文獻(xiàn)[18]有較大提升.

    CT 骨骼數(shù)據(jù)的精確分割有利于實(shí)現(xiàn)骨骼的三維重建,進(jìn)而開展后續(xù)骨折修復(fù)等術(shù)前規(guī)劃.因此本文將分割好的CT 切片利用開源庫VTK 實(shí)現(xiàn)重建,重建結(jié)果如圖6 所示.圖6(a)為U-Net 網(wǎng)絡(luò)重建結(jié)果圖,展示了整體結(jié)構(gòu)與兩處細(xì)節(jié)放大圖.由圖可得: 因一整套CT 數(shù)據(jù)集中包含大量簡單樣本,所以在整體外觀上兩者相差不大.對比細(xì)節(jié)可得: U-Net 建模結(jié)果丟失了細(xì)小的碎骨,以及相對于AFU-Net 重建結(jié)果有許多空洞.AFU-Net 分割度較高,重建效果良好,可以為后續(xù)術(shù)前規(guī)劃工作提供精確的3D 模型支持.

    圖6 分割結(jié)果三維重建對比圖

    2.5 消融實(shí)驗(yàn)

    為進(jìn)一步證明AFU-Net 所提出的模塊在CT 骨骼數(shù)據(jù)集上均能有效地提高分割精確度,本文還做了消融實(shí)驗(yàn).我們選取U-Net 作為基礎(chǔ)網(wǎng)絡(luò),依次添加本文新模塊來實(shí)驗(yàn)分割效果,實(shí)驗(yàn)設(shè)置超參數(shù)均保持一致,結(jié)果如表3 所示.

    表3 AFU-Net 消融實(shí)驗(yàn)結(jié)果(%)

    根據(jù)表3 我們可以得出:

    (1)密集連接的空洞卷積模塊有效地提高了骨骼的語義提取能力;

    (2)基于注意力機(jī)制的融合模塊能夠更加有效地融合不同維度的信息;

    (3)密集連接的空洞卷積模塊與基于注意力機(jī)制的融合模塊結(jié)合后,模型仍可以收斂與優(yōu)化參數(shù).

    3 結(jié)論與展望

    針對現(xiàn)有骨骼圖像分割算法存在的分割不精細(xì)、細(xì)小碎骨易忽略、低對比度骨骼圖像難識別的問題,本文提出一種改進(jìn)的U-Net 分割算法.首先使用多尺度空洞卷積層來增大感受野,提取更多的語義信息,并將不同尺度的.卷積輸出密集連接改善空洞卷積帶來的采樣點(diǎn)分散問題.其次使用空間注意力與通道注意力相結(jié)合的特征融合模塊,讓網(wǎng)絡(luò)更加專注骨骼信息的同時(shí)還解決了不同維度特征融合不充分的問題,有效地提高了骨骼分割的精準(zhǔn)度.文中通過多個(gè)對比實(shí)驗(yàn)證明所提出的AFU-Net 對于下肢CT 數(shù)據(jù)集具有較好的分割效果.但是目前算法仍有不足如將CT 數(shù)據(jù)集切分后會丟失部分Axial 軸信息和模型參數(shù)量較大.因此后續(xù)工作將會考慮利用CT 數(shù)據(jù)的3D 信息提高算法精確度,以及使用模型剪枝和知識蒸餾來壓縮模型,在保證算法性能的同時(shí)提高算法實(shí)時(shí)性.

    猜你喜歡
    特征實(shí)驗(yàn)模型
    一半模型
    記一次有趣的實(shí)驗(yàn)
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    如何表達(dá)“特征”
    做個(gè)怪怪長實(shí)驗(yàn)
    不忠誠的四個(gè)特征
    抓住特征巧觀察
    3D打印中的模型分割與打包
    NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)
    亚洲成人精品中文字幕电影| 久久精品91蜜桃| 国产白丝娇喘喷水9色精品| 日韩欧美在线乱码| 免费人成在线观看视频色| 国产成人a区在线观看| 久久久久久久亚洲中文字幕| 国产精品永久免费网站| 欧美极品一区二区三区四区| 女的被弄到高潮叫床怎么办| 乱系列少妇在线播放| 日本欧美国产在线视频| 日韩欧美精品免费久久| 免费大片18禁| 久久久精品欧美日韩精品| 久久99蜜桃精品久久| 欧美一区二区精品小视频在线| 一区二区三区高清视频在线| 男女啪啪激烈高潮av片| 天天躁夜夜躁狠狠久久av| 91午夜精品亚洲一区二区三区| av在线蜜桃| 国产一级毛片七仙女欲春2| 精品熟女少妇av免费看| 国产免费福利视频在线观看| 两个人的视频大全免费| 国产乱人视频| 婷婷色麻豆天堂久久 | 国产精品国产三级国产av玫瑰| 色吧在线观看| 97超视频在线观看视频| 亚洲伊人久久精品综合 | 99久久中文字幕三级久久日本| 免费观看a级毛片全部| av国产免费在线观看| 婷婷色综合大香蕉| 久久99热这里只有精品18| 精品午夜福利在线看| 精品久久久久久久久av| 男女国产视频网站| 亚洲av电影在线观看一区二区三区 | 丰满乱子伦码专区| 精品久久久久久久久av| 国产精品精品国产色婷婷| 天美传媒精品一区二区| 免费大片18禁| 欧美成人a在线观看| 一二三四中文在线观看免费高清| 精品久久久久久电影网 | 久久精品夜色国产| 少妇熟女欧美另类| 国国产精品蜜臀av免费| 白带黄色成豆腐渣| 国产黄色视频一区二区在线观看 | 99九九线精品视频在线观看视频| 免费观看在线日韩| 三级男女做爰猛烈吃奶摸视频| 免费av不卡在线播放| 白带黄色成豆腐渣| 小说图片视频综合网站| 三级国产精品欧美在线观看| 九九在线视频观看精品| 国产熟女欧美一区二区| 欧美三级亚洲精品| 午夜福利在线观看免费完整高清在| 91久久精品电影网| av在线观看视频网站免费| 五月伊人婷婷丁香| 精品国产三级普通话版| 久久久成人免费电影| 热99在线观看视频| 亚洲av男天堂| 亚州av有码| 国产精品人妻久久久影院| 国产精品久久久久久精品电影| 长腿黑丝高跟| 91久久精品国产一区二区三区| 久久精品久久精品一区二区三区| 熟妇人妻久久中文字幕3abv| 秋霞伦理黄片| 天堂av国产一区二区熟女人妻| 色5月婷婷丁香| 久久久久国产网址| 成年版毛片免费区| 久久精品91蜜桃| 一区二区三区高清视频在线| 成人毛片60女人毛片免费| 22中文网久久字幕| 久久热精品热| 精品久久久久久久久亚洲| 日韩欧美三级三区| 成人特级av手机在线观看| 日韩强制内射视频| 狂野欧美激情性xxxx在线观看| 日韩强制内射视频| 国国产精品蜜臀av免费| 丰满乱子伦码专区| 久久综合国产亚洲精品| 少妇猛男粗大的猛烈进出视频 | 欧美潮喷喷水| 国产精品不卡视频一区二区| 波野结衣二区三区在线| 国产成人精品久久久久久| 欧美不卡视频在线免费观看| 亚洲色图av天堂| 国产免费一级a男人的天堂| 日本黄大片高清| 一区二区三区高清视频在线| 日本五十路高清| 国产精品福利在线免费观看| 成人三级黄色视频| 高清日韩中文字幕在线| 中文精品一卡2卡3卡4更新| 我要看日韩黄色一级片| 日韩成人av中文字幕在线观看| 成人无遮挡网站| 日韩 亚洲 欧美在线| a级毛色黄片| 美女高潮的动态| 亚洲av电影不卡..在线观看| 在线播放国产精品三级| 黄色欧美视频在线观看| 亚洲在久久综合| 99视频精品全部免费 在线| 日本免费一区二区三区高清不卡| 亚洲精品aⅴ在线观看| 日韩av在线免费看完整版不卡| 在线观看一区二区三区| 日韩欧美三级三区| 丰满乱子伦码专区| 好男人视频免费观看在线| 亚洲五月天丁香| 午夜福利视频1000在线观看| 亚洲四区av| 51国产日韩欧美| 欧美成人精品欧美一级黄| 国产乱人偷精品视频| 美女被艹到高潮喷水动态| 欧美潮喷喷水| 白带黄色成豆腐渣| 成人毛片60女人毛片免费| 日本与韩国留学比较| 日日撸夜夜添| 天堂√8在线中文| 亚洲最大成人av| 国产亚洲精品久久久com| 蜜桃亚洲精品一区二区三区| 国产91av在线免费观看| 美女被艹到高潮喷水动态| 亚洲欧美日韩东京热| h日本视频在线播放| 看免费成人av毛片| 黄色一级大片看看| 夫妻性生交免费视频一级片| 1000部很黄的大片| eeuss影院久久| 天堂√8在线中文| 国产精品女同一区二区软件| 性插视频无遮挡在线免费观看| 99热6这里只有精品| 国产单亲对白刺激| 国产精品电影一区二区三区| 91狼人影院| 国产熟女欧美一区二区| 精品人妻偷拍中文字幕| 婷婷色综合大香蕉| 国产精品人妻久久久影院| 青青草视频在线视频观看| 精品欧美国产一区二区三| 欧美成人免费av一区二区三区| 午夜精品一区二区三区免费看| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲成色77777| 精品人妻偷拍中文字幕| 国产精品国产三级国产av玫瑰| 中国国产av一级| 欧美xxxx黑人xx丫x性爽| 女人被狂操c到高潮| 十八禁国产超污无遮挡网站| 91精品一卡2卡3卡4卡| 午夜福利在线观看免费完整高清在| 国产真实伦视频高清在线观看| 美女黄网站色视频| 日本免费a在线| 午夜福利在线在线| 亚洲精品,欧美精品| 亚洲欧洲日产国产| 免费搜索国产男女视频| 久99久视频精品免费| 亚洲不卡免费看| 国产精品人妻久久久久久| 男的添女的下面高潮视频| 免费播放大片免费观看视频在线观看 | 日韩中字成人| 色哟哟·www| 欧美成人一区二区免费高清观看| 男人狂女人下面高潮的视频| a级一级毛片免费在线观看| 三级经典国产精品| 亚洲乱码一区二区免费版| 狂野欧美激情性xxxx在线观看| 国产精华一区二区三区| 国产v大片淫在线免费观看| 小蜜桃在线观看免费完整版高清| 亚洲中文字幕日韩| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精品国产成人久久av| 美女cb高潮喷水在线观看| 女的被弄到高潮叫床怎么办| 国产精品不卡视频一区二区| 精品熟女少妇av免费看| 国产一区二区在线观看日韩| 中文字幕熟女人妻在线| 成人av在线播放网站| 国产av一区在线观看免费| 精品酒店卫生间| 日日啪夜夜撸| 国产国拍精品亚洲av在线观看| 插阴视频在线观看视频| 99热这里只有精品一区| 国产亚洲精品av在线| 欧美一区二区精品小视频在线| 国产成人免费观看mmmm| 免费大片18禁| 午夜激情欧美在线| 免费一级毛片在线播放高清视频| 国产精品久久久久久久电影| 日本色播在线视频| av免费在线看不卡| 免费看美女性在线毛片视频| 99热全是精品| 麻豆一二三区av精品| 在线天堂最新版资源| 亚洲精品日韩av片在线观看| 久久久久久久午夜电影| 亚洲国产精品成人久久小说| 国产成人a区在线观看| 三级男女做爰猛烈吃奶摸视频| 亚洲精品日韩av片在线观看| 舔av片在线| 精品一区二区三区视频在线| 国产久久久一区二区三区| 久久久久久久久久成人| 国产三级在线视频| 国产精品爽爽va在线观看网站| 国内精品宾馆在线| 老女人水多毛片| 你懂的网址亚洲精品在线观看 | 啦啦啦啦在线视频资源| 亚洲av中文字字幕乱码综合| 精品不卡国产一区二区三区| 久久这里只有精品中国| 亚洲高清免费不卡视频| 国产一级毛片在线| 亚洲国产日韩欧美精品在线观看| 寂寞人妻少妇视频99o| 国产成年人精品一区二区| 97热精品久久久久久| 高清毛片免费看| 三级经典国产精品| 欧美bdsm另类| 日日摸夜夜添夜夜爱| 美女高潮的动态| 国产精品99久久久久久久久| 久久久午夜欧美精品| 亚洲国产欧洲综合997久久,| 国产在视频线精品| 女的被弄到高潮叫床怎么办| 久久久久免费精品人妻一区二区| 男女啪啪激烈高潮av片| 有码 亚洲区| 国产在视频线精品| 99久久人妻综合| 亚洲经典国产精华液单| av播播在线观看一区| 国产亚洲午夜精品一区二区久久 | 少妇熟女aⅴ在线视频| 身体一侧抽搐| 久久久久久久久久黄片| 国产精品久久久久久av不卡| 超碰97精品在线观看| 亚洲国产日韩欧美精品在线观看| 欧美又色又爽又黄视频| 国产成人精品婷婷| 男插女下体视频免费在线播放| 中文字幕人妻熟人妻熟丝袜美| 岛国毛片在线播放| 深夜a级毛片| 最近视频中文字幕2019在线8| 春色校园在线视频观看| 级片在线观看| 欧美区成人在线视频| 国产伦精品一区二区三区视频9| 国产黄色小视频在线观看| 国产精品一区www在线观看| 亚洲人成网站高清观看| 国内精品美女久久久久久| 免费不卡的大黄色大毛片视频在线观看 | 国产精品.久久久| 国产三级中文精品| 国产亚洲午夜精品一区二区久久 | 看黄色毛片网站| 在线观看66精品国产| 亚洲欧洲国产日韩| 日韩av在线大香蕉| 少妇人妻精品综合一区二区| 精品国内亚洲2022精品成人| 亚洲精品亚洲一区二区| 嫩草影院精品99| 日本黄色片子视频| 亚洲,欧美,日韩| 国产亚洲5aaaaa淫片| 一级二级三级毛片免费看| 欧美3d第一页| 免费无遮挡裸体视频| 色综合亚洲欧美另类图片| 成人无遮挡网站| 国产色婷婷99| 国产乱人视频| 亚洲精品国产成人久久av| 国产亚洲一区二区精品| 人妻制服诱惑在线中文字幕| 日韩精品有码人妻一区| 亚洲av免费高清在线观看| 免费一级毛片在线播放高清视频| 欧美精品一区二区大全| 长腿黑丝高跟| 水蜜桃什么品种好| 久久久久国产网址| 成人国产麻豆网| 亚洲精品影视一区二区三区av| 久久精品国产鲁丝片午夜精品| 亚洲电影在线观看av| 黑人高潮一二区| 国产老妇伦熟女老妇高清| 亚洲三级黄色毛片| 大话2 男鬼变身卡| 成年女人永久免费观看视频| 欧美3d第一页| 特级一级黄色大片| 日本午夜av视频| 毛片一级片免费看久久久久| 又爽又黄a免费视频| 亚洲国产高清在线一区二区三| 国产精品一区二区三区四区久久| 久久久久网色| 看黄色毛片网站| 日本午夜av视频| 亚洲va在线va天堂va国产| 99热这里只有是精品50| 亚洲成色77777| 在线免费观看的www视频| 麻豆成人午夜福利视频| 国产在线男女| ponron亚洲| av在线天堂中文字幕| 99久国产av精品| 亚洲经典国产精华液单| 免费av毛片视频| av在线播放精品| 最近最新中文字幕大全电影3| 最近中文字幕2019免费版| 免费不卡的大黄色大毛片视频在线观看 | 国内精品美女久久久久久| 淫秽高清视频在线观看| 少妇熟女欧美另类| 久久鲁丝午夜福利片| 色综合亚洲欧美另类图片| 国产老妇伦熟女老妇高清| 亚洲av中文字字幕乱码综合| 黄片wwwwww| 2021少妇久久久久久久久久久| 国产午夜精品一二区理论片| 少妇被粗大猛烈的视频| 亚洲综合精品二区| 亚洲三级黄色毛片| 日韩一本色道免费dvd| 亚洲aⅴ乱码一区二区在线播放| 亚洲人成网站高清观看| 午夜日本视频在线| 日本爱情动作片www.在线观看| 久久精品国产亚洲av天美| 夜夜看夜夜爽夜夜摸| 日韩三级伦理在线观看| 精品人妻熟女av久视频| 特级一级黄色大片| 99久久中文字幕三级久久日本| 男人的好看免费观看在线视频| 午夜视频国产福利| 人人妻人人澡欧美一区二区| 亚洲欧美日韩卡通动漫| 久久久久久久亚洲中文字幕| 久久久久久九九精品二区国产| 久久精品影院6| 午夜爱爱视频在线播放| 精品少妇黑人巨大在线播放 | 桃色一区二区三区在线观看| 国产精品一区二区三区四区免费观看| 长腿黑丝高跟| 热99re8久久精品国产| 搞女人的毛片| 亚洲成人中文字幕在线播放| 午夜福利视频1000在线观看| 可以在线观看毛片的网站| 婷婷色麻豆天堂久久 | 国产激情偷乱视频一区二区| 男女啪啪激烈高潮av片| 午夜亚洲福利在线播放| 18禁动态无遮挡网站| 国产熟女欧美一区二区| 日本猛色少妇xxxxx猛交久久| 免费看av在线观看网站| 国产精品乱码一区二三区的特点| 在线观看一区二区三区| 国产亚洲av嫩草精品影院| 久久久欧美国产精品| 五月伊人婷婷丁香| 一本一本综合久久| 国产成人午夜福利电影在线观看| 最新中文字幕久久久久| 国内精品宾馆在线| 联通29元200g的流量卡| 国产女主播在线喷水免费视频网站 | 不卡视频在线观看欧美| 久久国产乱子免费精品| 最近手机中文字幕大全| 国产在线男女| 最新中文字幕久久久久| 日韩亚洲欧美综合| 一个人看视频在线观看www免费| 99久久中文字幕三级久久日本| 国产精品熟女久久久久浪| 成人午夜精彩视频在线观看| 国产不卡一卡二| 男插女下体视频免费在线播放| 天堂av国产一区二区熟女人妻| 亚洲成人中文字幕在线播放| 男插女下体视频免费在线播放| 91狼人影院| 真实男女啪啪啪动态图| 人体艺术视频欧美日本| 久久久精品欧美日韩精品| 亚洲图色成人| 91午夜精品亚洲一区二区三区| 嫩草影院入口| 国产伦精品一区二区三区四那| 亚洲精品日韩av片在线观看| 日韩欧美精品免费久久| 亚洲无线观看免费| 99热网站在线观看| 简卡轻食公司| 国产精品国产高清国产av| 亚洲精品色激情综合| 韩国av在线不卡| 在线天堂最新版资源| 少妇裸体淫交视频免费看高清| 亚洲高清免费不卡视频| 一级毛片aaaaaa免费看小| 亚洲乱码一区二区免费版| 能在线免费看毛片的网站| 夜夜爽夜夜爽视频| 黄片wwwwww| 国产精品一二三区在线看| 欧美最新免费一区二区三区| 我要看日韩黄色一级片| 成人美女网站在线观看视频| 2021天堂中文幕一二区在线观| videossex国产| 亚洲人成网站在线观看播放| 菩萨蛮人人尽说江南好唐韦庄 | 天堂网av新在线| 男人舔奶头视频| 久久国内精品自在自线图片| 成人高潮视频无遮挡免费网站| 亚洲18禁久久av| 麻豆精品久久久久久蜜桃| 精品熟女少妇av免费看| 成人午夜高清在线视频| 真实男女啪啪啪动态图| 亚洲真实伦在线观看| 亚洲精品国产av成人精品| 亚洲最大成人中文| 久久久久久大精品| 最近最新中文字幕大全电影3| 免费看a级黄色片| 午夜免费激情av| 中文资源天堂在线| 亚洲av.av天堂| 欧美3d第一页| 日韩精品青青久久久久久| 春色校园在线视频观看| 国产精品.久久久| 18禁在线播放成人免费| 免费一级毛片在线播放高清视频| 国产成人91sexporn| 少妇人妻精品综合一区二区| 三级男女做爰猛烈吃奶摸视频| 成人漫画全彩无遮挡| 成人一区二区视频在线观看| 成人国产麻豆网| 欧美成人免费av一区二区三区| 免费看a级黄色片| 日韩 亚洲 欧美在线| 亚洲av日韩在线播放| 亚洲av免费高清在线观看| 在线观看66精品国产| av在线播放精品| 欧美日韩国产亚洲二区| 亚洲最大成人av| 午夜免费男女啪啪视频观看| 国产成年人精品一区二区| 老女人水多毛片| 看非洲黑人一级黄片| 亚洲成人久久爱视频| 亚洲精品aⅴ在线观看| 国内精品宾馆在线| 亚洲中文字幕日韩| 亚洲精品影视一区二区三区av| 看免费成人av毛片| 99九九线精品视频在线观看视频| 免费一级毛片在线播放高清视频| 亚洲国产欧洲综合997久久,| videos熟女内射| 国产成人91sexporn| 国产在线一区二区三区精 | 搡老妇女老女人老熟妇| 中文字幕久久专区| av又黄又爽大尺度在线免费看 | 国产免费又黄又爽又色| 久久99精品国语久久久| 国产精品久久久久久精品电影小说 | 一级毛片aaaaaa免费看小| 国产伦精品一区二区三区视频9| 超碰97精品在线观看| 亚洲精品日韩av片在线观看| 日韩一区二区三区影片| 成年版毛片免费区| 日本免费a在线| 人人妻人人看人人澡| 欧美一区二区国产精品久久精品| 成人午夜精彩视频在线观看| 99在线人妻在线中文字幕| 日韩欧美国产在线观看| 婷婷六月久久综合丁香| 18禁动态无遮挡网站| 亚洲av中文av极速乱| 久99久视频精品免费| 午夜福利高清视频| 国产精品一区www在线观看| 欧美不卡视频在线免费观看| 亚洲aⅴ乱码一区二区在线播放| 亚洲国产精品合色在线| 日本av手机在线免费观看| 国产高清三级在线| 国产成年人精品一区二区| 亚洲在线自拍视频| 久久婷婷人人爽人人干人人爱| 内地一区二区视频在线| 大话2 男鬼变身卡| 久久久色成人| 欧美一区二区精品小视频在线| 国产人妻一区二区三区在| 成人毛片a级毛片在线播放| 国产人妻一区二区三区在| 欧美区成人在线视频| 一边摸一边抽搐一进一小说| 成人亚洲欧美一区二区av| 亚洲高清免费不卡视频| 欧美区成人在线视频| 国模一区二区三区四区视频| 成年版毛片免费区| 最近中文字幕高清免费大全6| 国产精品国产高清国产av| 天美传媒精品一区二区| 国产在线男女| 我要看日韩黄色一级片| 高清视频免费观看一区二区 | 国产欧美另类精品又又久久亚洲欧美| 别揉我奶头 嗯啊视频| 日韩精品有码人妻一区| 精品久久久久久成人av| 少妇丰满av| 一卡2卡三卡四卡精品乱码亚洲| 男人舔女人下体高潮全视频| 狂野欧美白嫩少妇大欣赏| 国产三级中文精品| 男女国产视频网站| a级一级毛片免费在线观看| 国产亚洲91精品色在线| 免费人成在线观看视频色| 欧美精品国产亚洲| 欧美变态另类bdsm刘玥| 男女国产视频网站| 欧美日本视频| 18禁在线播放成人免费| 国产伦理片在线播放av一区| 免费观看性生交大片5| 精品酒店卫生间| 一级毛片我不卡| 精品国产露脸久久av麻豆 | 国产av不卡久久| 国产激情偷乱视频一区二区| 国产高清国产精品国产三级 | av天堂中文字幕网| 毛片女人毛片| 中文字幕av成人在线电影| 少妇熟女欧美另类| 日产精品乱码卡一卡2卡三| 老司机福利观看| 草草在线视频免费看| 国产亚洲av片在线观看秒播厂 | 亚洲精品自拍成人| 日韩一区二区三区影片| 国产极品天堂在线| 免费看日本二区|