• <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)
    在线十欧美十亚洲十日本专区| 九色成人免费人妻av| 我要搜黄色片| 精品无人区乱码1区二区| 正在播放国产对白刺激| 欧美精品啪啪一区二区三区| 搡老岳熟女国产| 国产精品日韩av在线免费观看| 这个男人来自地球电影免费观看| 高清在线国产一区| 又黄又爽又免费观看的视频| 亚洲国产精品999在线| 久久久国产精品麻豆| 一本一本综合久久| 99热这里只有是精品50| 中文亚洲av片在线观看爽| 久久精品夜夜夜夜夜久久蜜豆 | 成人18禁在线播放| 国产精品99久久99久久久不卡| 女人高潮潮喷娇喘18禁视频| 听说在线观看完整版免费高清| 麻豆国产av国片精品| 91大片在线观看| 老司机在亚洲福利影院| av欧美777| 51午夜福利影视在线观看| 99久久精品国产亚洲精品| 丁香六月欧美| 色哟哟哟哟哟哟| 宅男免费午夜| 欧美黑人巨大hd| 欧美日韩亚洲国产一区二区在线观看| 亚洲午夜精品一区,二区,三区| 日韩成人在线观看一区二区三区| 俄罗斯特黄特色一大片| 国产亚洲欧美98| 人人妻人人看人人澡| 国内少妇人妻偷人精品xxx网站 | 国内毛片毛片毛片毛片毛片| 老司机午夜十八禁免费视频| 91九色精品人成在线观看| 日韩欧美国产一区二区入口| 天天添夜夜摸| 夜夜夜夜夜久久久久| 精品高清国产在线一区| 婷婷精品国产亚洲av在线| www.999成人在线观看| 这个男人来自地球电影免费观看| xxx96com| 人妻夜夜爽99麻豆av| 精品乱码久久久久久99久播| 亚洲五月婷婷丁香| 丰满人妻熟妇乱又伦精品不卡| 婷婷亚洲欧美| 国产主播在线观看一区二区| 又大又爽又粗| 淫妇啪啪啪对白视频| 欧美成人午夜精品| 亚洲18禁久久av| 成人手机av| 精品第一国产精品| 精品国产亚洲在线| 国产欧美日韩精品亚洲av| 久久九九热精品免费| 一本精品99久久精品77| 国产精品久久久久久久电影 | 国内揄拍国产精品人妻在线| 最近最新中文字幕大全免费视频| 校园春色视频在线观看| 黑人巨大精品欧美一区二区mp4| 亚洲国产看品久久| 啪啪无遮挡十八禁网站| 在线播放国产精品三级| 一区二区三区激情视频| 亚洲熟妇中文字幕五十中出| 久99久视频精品免费| 成人欧美大片| 久久久久亚洲av毛片大全| 亚洲人成77777在线视频| 午夜老司机福利片| 91在线观看av| 搡老岳熟女国产| 色播亚洲综合网| 国产成人啪精品午夜网站| 亚洲国产精品合色在线| 中文字幕人成人乱码亚洲影| a级毛片在线看网站| 国产片内射在线| 小说图片视频综合网站| 长腿黑丝高跟| 亚洲人与动物交配视频| 国产熟女xx| 一级a爱片免费观看的视频| а√天堂www在线а√下载| 狂野欧美激情性xxxx| 亚洲欧美日韩东京热| 久久精品夜夜夜夜夜久久蜜豆 | www日本在线高清视频| av欧美777| 99riav亚洲国产免费| 久久热在线av| 久久久久久人人人人人| 亚洲狠狠婷婷综合久久图片| 精品久久蜜臀av无| 国产精品98久久久久久宅男小说| 少妇被粗大的猛进出69影院| 后天国语完整版免费观看| 免费一级毛片在线播放高清视频| 男女午夜视频在线观看| 国产成人精品久久二区二区91| 99热这里只有精品一区 | 两个人的视频大全免费| 91成年电影在线观看| 亚洲成a人片在线一区二区| 一本大道久久a久久精品| 日韩欧美精品v在线| 亚洲av熟女| 国产久久久一区二区三区| 小说图片视频综合网站| 久久精品影院6| bbb黄色大片| 欧美日本视频| 久久精品夜夜夜夜夜久久蜜豆 | 婷婷精品国产亚洲av| 午夜免费观看网址| 在线观看免费午夜福利视频| 国产伦一二天堂av在线观看| 久久亚洲精品不卡| 18禁裸乳无遮挡免费网站照片| 91老司机精品| 人人妻,人人澡人人爽秒播| 久久人妻福利社区极品人妻图片| 老司机福利观看| 麻豆成人av在线观看| 日韩欧美一区二区三区在线观看| 一级作爱视频免费观看| 在线国产一区二区在线| 在线视频色国产色| 麻豆av在线久日| 亚洲在线自拍视频| 国产三级中文精品| 久久久久久久精品吃奶| 91老司机精品| 国产亚洲精品第一综合不卡| 亚洲国产欧美一区二区综合| 精品国内亚洲2022精品成人| av中文乱码字幕在线| 两个人视频免费观看高清| www.熟女人妻精品国产| 成人国产一区最新在线观看| 最近最新中文字幕大全免费视频| 欧美一级a爱片免费观看看 | 午夜久久久久精精品| 老司机靠b影院| 舔av片在线| 成人三级做爰电影| 妹子高潮喷水视频| 亚洲狠狠婷婷综合久久图片| 精品久久久久久久久久久久久| 亚洲一区二区三区色噜噜| 国产精品爽爽va在线观看网站| 老司机午夜福利在线观看视频| 欧美成人午夜精品| 成在线人永久免费视频| 欧美大码av| 国内少妇人妻偷人精品xxx网站 | 精品久久久久久久久久久久久| 欧美一区二区精品小视频在线| 国产精品av久久久久免费| 亚洲国产精品久久男人天堂| 欧美一区二区精品小视频在线| 一夜夜www| 中文字幕最新亚洲高清| 免费看a级黄色片| 免费人成视频x8x8入口观看| 午夜精品一区二区三区免费看| 一个人免费在线观看电影 | 亚洲av片天天在线观看| 欧美黑人精品巨大| 免费在线观看黄色视频的| 搞女人的毛片| 国产成年人精品一区二区| 午夜激情福利司机影院| 午夜激情av网站| 老汉色av国产亚洲站长工具| 老司机午夜福利在线观看视频| 精品国产超薄肉色丝袜足j| a级毛片a级免费在线| 色av中文字幕| 午夜视频精品福利| 一夜夜www| 黄色a级毛片大全视频| 婷婷精品国产亚洲av在线| 国产精品久久视频播放| 中文字幕av在线有码专区| 男人舔女人下体高潮全视频| 欧美日韩一级在线毛片| 色老头精品视频在线观看| 亚洲,欧美精品.| 免费在线观看成人毛片| 亚洲 欧美 日韩 在线 免费| 91av网站免费观看| 国产成人av激情在线播放| 国产野战对白在线观看| 国产亚洲av嫩草精品影院| 9191精品国产免费久久| 国产免费av片在线观看野外av| 精品熟女少妇八av免费久了| 变态另类成人亚洲欧美熟女| 亚洲九九香蕉| 看免费av毛片| 国内揄拍国产精品人妻在线| 久久久久性生活片| 精品不卡国产一区二区三区| 俄罗斯特黄特色一大片| 一级毛片女人18水好多| 久久这里只有精品中国| 中文字幕精品亚洲无线码一区| 免费无遮挡裸体视频| 九色成人免费人妻av| 99热这里只有精品一区 | 久久精品夜夜夜夜夜久久蜜豆 | 欧美日韩黄片免| 亚洲精品中文字幕一二三四区| 怎么达到女性高潮| 两个人免费观看高清视频| 操出白浆在线播放| 在线a可以看的网站| a级毛片a级免费在线| 午夜久久久久精精品| 久久久国产欧美日韩av| 国产熟女午夜一区二区三区| 精品福利观看| 欧美一区二区国产精品久久精品 | 美女免费视频网站| 在线观看免费午夜福利视频| 全区人妻精品视频| 最近最新中文字幕大全免费视频| 亚洲av成人一区二区三| 亚洲精品色激情综合| 免费看日本二区| 身体一侧抽搐| 日本 欧美在线| 久久精品国产综合久久久| 精品国产美女av久久久久小说| e午夜精品久久久久久久| 不卡一级毛片| 亚洲国产欧美一区二区综合| 久久精品国产综合久久久| 欧美黑人欧美精品刺激| 丰满人妻熟妇乱又伦精品不卡| 最好的美女福利视频网| 午夜精品在线福利| 欧美精品亚洲一区二区| 亚洲人成77777在线视频| 日本一本二区三区精品| 婷婷六月久久综合丁香| 国产97色在线日韩免费| 国产精品综合久久久久久久免费| 久久久久国内视频| 国产精品乱码一区二三区的特点| 欧美日韩中文字幕国产精品一区二区三区| 最新美女视频免费是黄的| 国产三级在线视频| 精品熟女少妇八av免费久了| 精品国产超薄肉色丝袜足j| 亚洲aⅴ乱码一区二区在线播放 | 老鸭窝网址在线观看| 亚洲av成人一区二区三| 女生性感内裤真人,穿戴方法视频| 色av中文字幕| 少妇人妻一区二区三区视频| 国内精品久久久久久久电影| 人妻夜夜爽99麻豆av| 国产精品久久视频播放| 国产精品一区二区三区四区免费观看 | 精品国产超薄肉色丝袜足j| 国产成人精品无人区| 久久久久久久久中文| 亚洲av美国av| svipshipincom国产片| 女人高潮潮喷娇喘18禁视频| 国产成人一区二区三区免费视频网站| 12—13女人毛片做爰片一| 亚洲精品久久国产高清桃花| 免费在线观看视频国产中文字幕亚洲| 91成年电影在线观看| 夜夜躁狠狠躁天天躁| 日本 av在线| 两人在一起打扑克的视频| 国产高清视频在线播放一区| 制服诱惑二区| 欧美三级亚洲精品| 黄片大片在线免费观看| 亚洲欧美精品综合一区二区三区| 亚洲精品中文字幕一二三四区| 国产亚洲精品综合一区在线观看 | 亚洲一区二区三区不卡视频| videosex国产| 亚洲精品av麻豆狂野| 日韩欧美三级三区| 久久午夜综合久久蜜桃| 午夜免费观看网址| 国产高清videossex| 97人妻精品一区二区三区麻豆| 国产精品美女特级片免费视频播放器 | 黄色 视频免费看| 中国美女看黄片| 婷婷亚洲欧美| 亚洲无线在线观看| 熟女少妇亚洲综合色aaa.| 在线a可以看的网站| 免费高清视频大片| 久99久视频精品免费| 日本熟妇午夜| 日韩欧美三级三区| 国产成人aa在线观看| 精品高清国产在线一区| 免费看a级黄色片| а√天堂www在线а√下载| 高清在线国产一区| 久久久久久九九精品二区国产 | 国产成人av激情在线播放| 国产精品久久久久久亚洲av鲁大| 国产成人精品无人区| 久久久精品大字幕| 神马国产精品三级电影在线观看 | 日韩精品中文字幕看吧| 亚洲国产欧洲综合997久久,| 国内精品久久久久久久电影| 777久久人妻少妇嫩草av网站| 国产午夜精品久久久久久| 夜夜夜夜夜久久久久| 欧美成人午夜精品| 我要搜黄色片| 两个人看的免费小视频| 亚洲精品在线观看二区| 欧美成人性av电影在线观看| 男女那种视频在线观看| 国产精品一及| 91大片在线观看| 丰满的人妻完整版| 中文在线观看免费www的网站 | 看免费av毛片| 亚洲国产欧美人成| 人人妻人人看人人澡| 国产精品日韩av在线免费观看| 人妻丰满熟妇av一区二区三区| 国产私拍福利视频在线观看| 欧美大码av| 1024香蕉在线观看| 国产成人av激情在线播放| 亚洲av美国av| 看免费av毛片| 色综合站精品国产| 国产熟女xx| 欧美日韩亚洲综合一区二区三区_| 色综合婷婷激情| 欧美性猛交黑人性爽| 啦啦啦韩国在线观看视频| 亚洲精品色激情综合| 国产精品一区二区免费欧美| 国产欧美日韩精品亚洲av| 啦啦啦观看免费观看视频高清| 久久久久久久久久黄片| 久久午夜综合久久蜜桃| 波多野结衣高清作品| 亚洲欧美日韩高清在线视频| 哪里可以看免费的av片| 一级毛片高清免费大全| or卡值多少钱| 国产亚洲精品一区二区www| 国内毛片毛片毛片毛片毛片| 成人高潮视频无遮挡免费网站| 一夜夜www| 欧美精品啪啪一区二区三区| 日本 欧美在线| 小说图片视频综合网站| 香蕉国产在线看| 三级国产精品欧美在线观看 | 亚洲av中文字字幕乱码综合| 最近视频中文字幕2019在线8| 99久久99久久久精品蜜桃| 最近视频中文字幕2019在线8| 亚洲国产日韩欧美精品在线观看 | 亚洲熟妇熟女久久| 中文字幕高清在线视频| 91av网站免费观看| 亚洲av五月六月丁香网| 国内毛片毛片毛片毛片毛片| 夜夜躁狠狠躁天天躁| 成人三级黄色视频| 两性夫妻黄色片| 免费在线观看视频国产中文字幕亚洲| 久久精品国产清高在天天线| 在线观看日韩欧美| 欧美激情久久久久久爽电影| 18禁国产床啪视频网站| 很黄的视频免费| 全区人妻精品视频| 欧美日韩乱码在线| 国产99久久九九免费精品| 日韩中文字幕欧美一区二区| 免费无遮挡裸体视频| 欧美一区二区国产精品久久精品 | √禁漫天堂资源中文www| 亚洲 国产 在线| 在线观看免费日韩欧美大片| 少妇熟女aⅴ在线视频| 听说在线观看完整版免费高清| www.精华液| 日韩欧美国产一区二区入口| 久久精品成人免费网站| 香蕉久久夜色| 久久香蕉国产精品| 久久午夜综合久久蜜桃| 丁香欧美五月| 日本一区二区免费在线视频| 欧美成人午夜精品| 狠狠狠狠99中文字幕| 日韩欧美在线乱码| 亚洲熟妇中文字幕五十中出| 久久伊人香网站| 少妇人妻一区二区三区视频| 国产精品美女特级片免费视频播放器 | 亚洲人成网站高清观看| 日本 av在线| 又爽又黄无遮挡网站| av国产免费在线观看| 日本三级黄在线观看| 亚洲激情在线av| 国产探花在线观看一区二区| 听说在线观看完整版免费高清| 亚洲va日本ⅴa欧美va伊人久久| av视频在线观看入口| 麻豆成人av在线观看| 真人一进一出gif抽搐免费| 欧美一区二区精品小视频在线| 欧美色欧美亚洲另类二区| 欧美av亚洲av综合av国产av| 久久久久精品国产欧美久久久| 日本精品一区二区三区蜜桃| 精品高清国产在线一区| 最近最新中文字幕大全免费视频| 亚洲成人免费电影在线观看| 99精品久久久久人妻精品| 午夜免费成人在线视频| 色综合欧美亚洲国产小说| 草草在线视频免费看| 制服人妻中文乱码| 欧美性猛交黑人性爽| 日韩国内少妇激情av| 麻豆av在线久日| 黄色 视频免费看| aaaaa片日本免费| 中文字幕人成人乱码亚洲影| 国产在线精品亚洲第一网站| 国产一区二区三区在线臀色熟女| 三级国产精品欧美在线观看 | 亚洲午夜理论影院| 日韩av在线大香蕉| 久久精品91蜜桃| 99久久国产精品久久久| 成人三级黄色视频| 九色国产91popny在线| 19禁男女啪啪无遮挡网站| 国产伦在线观看视频一区| 亚洲国产欧美一区二区综合| 12—13女人毛片做爰片一| 国产区一区二久久| 午夜福利欧美成人| 欧美日韩亚洲国产一区二区在线观看| 亚洲av美国av| 欧美乱码精品一区二区三区| 精品久久久久久久末码| 亚洲专区中文字幕在线| 人妻久久中文字幕网| 日韩欧美三级三区| 欧美日本视频| 免费看十八禁软件| 午夜福利高清视频| 特大巨黑吊av在线直播| 亚洲成人国产一区在线观看| 一区二区三区国产精品乱码| 国产高清有码在线观看视频 | 久久亚洲真实| 精品国产亚洲在线| 国产亚洲欧美98| 少妇被粗大的猛进出69影院| 亚洲av中文字字幕乱码综合| 亚洲aⅴ乱码一区二区在线播放 | 可以免费在线观看a视频的电影网站| 在线永久观看黄色视频| 看黄色毛片网站| 免费搜索国产男女视频| 国产爱豆传媒在线观看 | 国产精品av久久久久免费| 国产精品98久久久久久宅男小说| 免费在线观看黄色视频的| av国产免费在线观看| 国内久久婷婷六月综合欲色啪| 免费高清视频大片| 亚洲国产欧美网| 久久精品国产亚洲av高清一级| 亚洲 欧美 日韩 在线 免费| 国产区一区二久久| 丰满人妻一区二区三区视频av | 欧美3d第一页| 亚洲成人国产一区在线观看| 亚洲国产日韩欧美精品在线观看 | 亚洲狠狠婷婷综合久久图片| 三级男女做爰猛烈吃奶摸视频| 一进一出抽搐动态| 久久这里只有精品中国| 免费一级毛片在线播放高清视频| 99久久无色码亚洲精品果冻| 天天躁夜夜躁狠狠躁躁| 国产成人啪精品午夜网站| 国产黄a三级三级三级人| 757午夜福利合集在线观看| 国产av又大| 97人妻精品一区二区三区麻豆| 国产在线精品亚洲第一网站| 日本免费a在线| 国产99白浆流出| www国产在线视频色| 深夜精品福利| 亚洲专区字幕在线| 在线观看免费日韩欧美大片| 日韩成人在线观看一区二区三区| 亚洲人成网站高清观看| 18禁美女被吸乳视频| 色哟哟哟哟哟哟| 精品午夜福利视频在线观看一区| 亚洲精品美女久久av网站| 成人高潮视频无遮挡免费网站| 最近在线观看免费完整版| 啦啦啦免费观看视频1| 国产探花在线观看一区二区| 欧美在线一区亚洲| 好男人电影高清在线观看| 熟女少妇亚洲综合色aaa.| 女生性感内裤真人,穿戴方法视频| 欧美不卡视频在线免费观看 | 亚洲成人中文字幕在线播放| 欧美最黄视频在线播放免费| cao死你这个sao货| 国内少妇人妻偷人精品xxx网站 | 午夜两性在线视频| 首页视频小说图片口味搜索| 十八禁网站免费在线| 超碰成人久久| 精品欧美国产一区二区三| 欧美在线黄色| 亚洲在线自拍视频| 大型av网站在线播放| 日韩免费av在线播放| 久久伊人香网站| 久久久精品欧美日韩精品| 国产精品久久久久久久电影 | 国产成人一区二区三区免费视频网站| 日韩欧美一区二区三区在线观看| 91九色精品人成在线观看| 成人手机av| www日本黄色视频网| 免费在线观看日本一区| 99国产精品一区二区蜜桃av| 精品电影一区二区在线| 级片在线观看| 丝袜美腿诱惑在线| 身体一侧抽搐| 欧洲精品卡2卡3卡4卡5卡区| 久久久精品欧美日韩精品| 精品国产亚洲在线| 色av中文字幕| 国产精品爽爽va在线观看网站| 亚洲熟女毛片儿| 亚洲第一欧美日韩一区二区三区| 国产午夜精品久久久久久| 在线观看66精品国产| 欧美黄色淫秽网站| 国产高清视频在线观看网站| 成人高潮视频无遮挡免费网站| 一进一出抽搐动态| 他把我摸到了高潮在线观看| 一本大道久久a久久精品| 别揉我奶头~嗯~啊~动态视频| 黄色女人牲交| 韩国av一区二区三区四区| 亚洲色图 男人天堂 中文字幕| 国内揄拍国产精品人妻在线| 亚洲国产日韩欧美精品在线观看 | 久久精品成人免费网站| 无遮挡黄片免费观看| 精品国产乱子伦一区二区三区| 大型av网站在线播放| 久久久久亚洲av毛片大全| 淫妇啪啪啪对白视频| 一个人观看的视频www高清免费观看 | 中文亚洲av片在线观看爽| 精品欧美一区二区三区在线| 19禁男女啪啪无遮挡网站| 女同久久另类99精品国产91| 国产区一区二久久| 黄色视频不卡| 亚洲成a人片在线一区二区| 久久久久国产一级毛片高清牌| 欧美在线黄色| 99热这里只有是精品50| 成人国产一区最新在线观看| www.熟女人妻精品国产| 亚洲熟妇中文字幕五十中出| 又黄又粗又硬又大视频| 久久九九热精品免费| 一级a爱片免费观看的视频|