基于多网络集成的脑白质高信号分割方法

摘要

cqvip:目的构建一种新型基于全卷积神经网络的分割方法,以提升脑白质高信号的分割精度。方法本模型基于U-Net的编码器-解码器结构,采用密集连接结构,并优化卷积次数,以充分利用网络中间层提取的特征,实现端到端的分割。该模型采用多个网络的集成框架,以提高模型的鲁棒性。模型对白质高信号的分割精度评价指标包括相似性系数、豪斯多夫距离、平均体积差异和F1分数。结果在公开数据集上进行的测试结果表明,本文提出的方法在4种分割评价标准(包括相似性系数,豪斯多夫距离,平均体积差异和F1分数)上的表现,优于现有的主流的分割方法,证明了该方法的有效性。结论基于密集连接和集成优化的神经网络模型,能对脑白质高信号进行较好的分割。该方法的提出,为进一步分析脑血管病白质特征,提供了重要的算法支撑。