基于改进Rolling U-Net的腰椎CT图像分割方法

摘要

CT图像中的腰椎分割对腰椎疾病的辅助诊断与治疗具有重要意义，U-Net及其扩展模型在医学图像分割领域受到广泛关注。针对Rolling U-Net模型在腰椎分割中细节特征易丢失等问题，提出一种改进的Rolling U-Net模型用于腰椎CT图像分割。该模型是一种结合多层感知器（MLP）的卷积神经网络（CNN）模型，在第4层卷积层和瓶颈层处插入特征激励模块以增加关键解剖结构的权重，通过构建长距离-局部块（Lo2 block）实现局部特征信息与长距离依赖关系的融合，Lo2 block的核心R-MLP模块用来学习整个图像在单一方向上的长距离依赖关系，通过控制和组合不同方向的R-MLP模块构建出OR-MLP和DOR-MLP模块，以捕捉多个方向上的长距离依赖关系，最后融入残差卷积恢复腰椎分割细节；同时将Dice损失函数与交叉熵损失函数的像素分类优势相结合设计了MultiClassDiceCE损失函数。实验结果表明：类别数与采样策略对改进Rolling U-Net模型的分割性能有显著影响，二元分割任务宜采用按图片总数量的划分策略以兼顾精度与稳定性，多分类任务更适合采用按实例总数量的划分策略；在JST＿LV和VerSe数据集上进行多元分割任务时，改进Rolling U-Net模型的平均交并比（IoU）、Dice系数、召回率、特异度、精确度均优于U-Net、Attention U-Net、Rolling U-Net等分割模型，表明改进的模型可有效提升腰椎CT图像分割的准确性、细节完整性与分类鲁棒性。

关键词

腰椎分割 / CT图像 / Rolling U-Net / 多层感知器(MLP)