基于融合U-Net和水平集的肝脏CT图像分割

摘要

为了弥补U-Net模型和水平集方法分割肝脏CT图片的不足之处,提出了一种将两者进行融合的分割算法。该算法在训练阶段使用U-Net模型作为先验网络对肝脏进行分割,然后将其输出的分割结果作为先验特征图送入到水平集方法中进一步分割;通过计算两次分割结果的差异,反向传播误差,更新网络参数,最终得到一个完整的分割算法模型。通过在公开数据集3Dircadb上进行实验对比,所提出分割算法的灵敏性和Dice系数的平均值分别可以达到94.85%和95.18%,面积重叠误差和相对面积误差的平均值仅有9.97%和7.69%。与其他常见的分割算法相比,该算法获得了更好的分割结果。