| 摘 要： | 将深度学习算法应用于核磁共振（MR）图像分割时,必需以大量经标注后图像作为训练集的数据支撑。然而,MR图像的特殊性导致采集大量的图像数据较困难,制作大量的标注数据成本高。为降低MR图像分割对大量标注数据的依赖,本文提出了一种用于小样本MR图像分割的元U型网络(Meta-UNet),能够利用少量的图像标注数据完成MR图像分割任务,并获得良好的分割结果。其具体操作为：通过引入空洞卷积对U型网络（U-Net）进行改进,增加网络模型感受野从而提高模型对不同尺度目标的灵敏度;通过引入注意力机制提高模型对不同尺度目标的适应性;通过引入元学习机制,并采用复合损失函数对模型训练进行良好的监督和有效的引导。本文利用提出的Meta-UNet模型,在不同分割任务上进行训练,然后用训练好的模型在全新的分割任务上进行评估,实现了目标图像的高精度分割。新的分割方法比起常用的无监督医学图像配准分割方法——体素变形网络（VoxelMorph）、数据增强医学图像分割方法——转换学习数据增强模型（DataAug）和基于标签转移的医学图像分割方法——标签转移网络（LT-Net）三种模型平均戴斯相似性系数（DSC）有一定提高...
|
