| 摘 要： | 目的：针对腔镜手术中气泡边缘模糊、数量形态浮动较大所造成的图像分割困难的问题,提出一种基于极坐标变换和深度学习的腔镜图像气泡分割方法。方法：首先构建包含笛卡尔坐标系下的U-Net网络和极坐标系下的U-Net网络的级联U-Net模型;其次,由级联U-Net模型中的笛卡尔系网络初步分割气泡,之后进行连通域分析并提取质心,然后以质心为原点将输入图像转换到极坐标系下;再次,由极坐标系网络分别预测气泡分割结果并对结果加权求和从而得到最终的预测结果;最后,为验证级联U-Net模型的有效性,对比级联U-Net模型与U-Net模型、深度轮廓感知网络（deep contour-aware network,DCAN）模型和边缘感知网络（edge-aware network,EAN）模型3种经典图像分割模型在腔镜气泡数据集上的分割效果。结果：级联U-Net模型对于腔镜图像气泡分割的精度显著优于3种经典图像分割模型,Dice系数、平均交并比、准确率、召回率分别为0.891、0.812、0.920和0.871。结论：基于极坐标变换和深度学习的腔镜图像气泡分割方法可精确分割腔镜图像中的气泡,可为腔镜手术中气泡自动...
|
