基于深度学习的肩部肌骨超声影像分割方法.pdf

摘要

摘要

近年来，随着社会的发展，肩痛的发病率逐年增长并逐渐年轻化，由于肩部

肌骨超声技术能够清晰地勾勒出肌肉、骨骼、韧带和肌腱等结构及其变化，同时

该技术是非侵入性的，无辐射，而且价格低廉方便快捷，该技术已成为诊断肩部

疼痛的重要依据。

为了辅助超声医师的诊断，解决传统的超声影像分割方法中通常需要使用人

工进行提取特征，耗时耗力且难以复制的问题，本文与四川省肿瘤医院合作一起

构建肌骨超声影像分割数据集，并提出一种基于深度学习的肩部肌骨超声结构分

割方法，具体从下面三个方面进行基于深度学习的肩部肌骨超声影像分割方法的

研究：

1.基于编码-解码的肩部肌骨超声影像分割。首先借助超声医师的专业经验对

超声影像进行采集、标注，构建首个肩部肌骨超声影像数据集为后续试验奠定基

石。然后利用标签平滑和随机裁剪实现图像预处理，避免过度拟合的同时减缓样

本不均衡的问题。最后结合主流的编码-解码网络的优缺点，构建了基于编码-解码

网络的肩部肌骨超声影像分割网络，并应用于肩部肌骨超声影像的分割。

2.基于注意力机制的肩部肌骨超声影像分割。为了解决由于像素差异带来的

样本不均衡以及边界分割性能不足的问题，本文基于编码-解码网络的分割方法，

通过并联的方式引入自注意力机制，获取图片块区域间权重值，并在网络跳接部

分嵌入通道注意力机制，抑制背景噪声，以改进提升网络对肩部肌骨结构边界的

注意力权重，最终实现肩部肌骨超声结构边界像素分割效果的提升。

3.基于分切面的肩部肌骨超声影像分割。为解决肩部肌骨结构间混淆的问题，

本文引入肩部肌骨超声影像特有的先验信息。由于肌骨超声影像分割具有很强的

切面相关性，本文从切面混淆出发，根据混淆矩阵设计分切面网络，通过此网络

将肩部肌骨超声切面信息引入，网络的编码器为使用同一基础网络结构也提取肩

部肌骨超声影像的特征，再利用多个相同结构的解码器，对易混淆的切面分头输

出分割结果，从而提升了分割的准确度，解决切面间混淆问题，最后提出一种非

极大闭包抑制的后处理方法，并应用于肩部肌骨超声影像分割。

关键词：深度学习，医学图像分割，肩部肌骨超声，注意力机制，分切面

I

ABSTRACT

ABSTRACT

Withthedevelopmentofsociety,thediseaseofshoulderpainhasincreasedyearby

year,anddevelopedinayoungerage.Becauseoftheabilitytoclearlyoutlinestructures

suchasmuscles,bones,ligaments,tendonsandtheirchanges,aswellasthefactthatthe

techniqueisnon-invasive,radiation-free,andinexpensiveandconvenient,musculoskele-

talultrasoundoftheshoulderhasbecomeanimportantbasisforthediagnosisofshoulder

pain.

Inordertoassistthediagnosisofultrasonographersandtosolvetheproblemthe

traditionalultrasoundimagessegmentationmethodusuallyrequiresmanualextraction

offeatures,whichistime-consuminganddifficulttoreplicate.Thisthesiscooperates

withSichuanCancerHospitaltobuildamusculoskeletalultrasoundimagessegmenta-

tiondatasetandproposesadeeplearning-based