基于全局注意力多任务网络方法的CT图像细小骨折检测研究

目的：通过全局注意力多任务网络提升CT图像细小骨折检测的感知，通过多任务实现实例级别细小骨折目标的检测，快速、准确地从大量CT图像中识别并定位骨折，以辅助临床及时开展治疗。方法：引入分组非局部(non-local)网络方法，计算CT图像连续切片任何位置和通道之间的远程依赖关系，将多目标检测模型3DRetinaNet单级检测器与医学图像语义分割(3DU-Net)架构相融合，实现端到端的多任务3D卷积网络，以多任务联合的方式实现对细小骨折的实例级别检测。选择医学图像计算与计算机辅助干预(MICCAI)2020挑战赛提供的肋骨骨折公开数据集(RibFracDataset)600例CT扫描图像，通过5∶1的比例划分为训练集(500例)和验证集(100例)，测试多任务3D卷积网络的精度性能。结果：多任务3D卷积网络方法的检测精度性能优于单任务网络FracNet、3D RetinaNet及3D Retina U-Net，其平均精度与3D RetinaNet和3D Retina U-Net网络相比分别高出7.8%和11.4%，且优于3D Faster R-CNN、3D Mask R-CNN两种单任务...