基于深度学习和水平集方法的女性盆底肌肉自动分割研究.pdfVIP

基于深度学习和水平集方法的女性盆底肌肉自动分割研究

摘要

女性盆底肌肉主要负责支撑膀胱、阴道和直肠等盆腔脏器的位置，其弹性减弱

或受损容易导致尿失禁、膀胱下垂、直肠下垂等一系列盆底功能障碍相关疾病的发

生。女性盆底肌肉的相关检查常使用无辐射、成像分辨率高的MRI影像。临床诊

疗中，医生需要对每种肌肉进行定量分析，这就需要根据MRI图像对女性盆底肌

肉进行三维重建，而盆底肌肉的分割是三维重建最基础且非常关键的前提步骤。在

进行盆底肌肉分割时，通常需要临床经验丰富的医生借助商业软件对盆底肌肉的

MRI图像进行人工勾画，但是这种方法不仅费时费力，且容易产生漏分和误分。

因此，临床亟需一种自动分割方法来提升女性盆底肌肉的分割效率和准确性。

在女性盆底肌肉群中，肛提肌、肛门外括约肌和闭孔内肌这三种肌肉对维持盆

腔内脏器官的位置和形态起到关键支持作用。由于MRI图像下这三类肌肉细小，

解剖形态和空间毗邻关系复杂，其自动分割相关研究还非常少，而且难度较大。针

对此，本文在深度学习框架下，通过结合注意力机制和水平集方法对上述三种肌肉

的自动分割进行了研究，主要研究内容如下：

（1）提出了一个基于改进AttentionU-Net的女性盆底肌肉多目标分割模型，

通过在AttentionU-Net引入多尺度CBAM模块来捕获更丰富的图像特征，其多尺

度特性更有利于小目标肌肉特征的提取；同时，通过在编码和解码过程中嵌入全局

上下文块，充分利用上下文信息和更好地捕获全局特征。实验结果表明，所提模型

分割结果的Dice、PA和IOU分别达到76.03%、75.76%和64.15%，整体分割效果

优于其他网络。

（2）设计了一个基于水平集方法的组合损失函数，并应用于MRI图像下女性

盆底肌肉单目标分割。通过在水平集损失函数加入正则化项提升模型分割目标边

缘的平滑度和准确度，并结合DiceLoss以及TverskyLoss来保证分割的准确性。

利用该组合损失函数进行了多目标与单目标实验对比、不同网络对比以及不同损

失函数对比，实验结果表明，所设计的损失函数能有效提升分割结果边缘的平滑度，

并对细微凹陷边缘的分割更加准确。

关键词：女性盆底肌肉，深度学习，核磁共振成像，水平集方法，注意力模块

StudyonAutomaticSegmentationofFemalePelvicFloor

MusclesBasedonDeepLearningandLevelSetMethods

ABSTRACT

Femalepelvicfloormusclesaremainlyresponsibleforsupportingthepositionof

pelvicorganssuchasthebladder,vaginaandrectum,andtheirelasticityisweakenedor

damaged,whichcaneasilyleadtoaseriesofpelvicfloordysfunction-relateddiseases

suchasurinaryincontinence,bladderprolapse,andrectalprolapse.Femalepelvicfloor

musclesareoftenexaminedusingradiation-free,high-resolutionMRIimages.Inclinical

diagnosisandtreatment,doctorsneedtoquantitativelyanalyzeeachmuscle,which

requires3DreconstructionoffemalepelvicfloormusclesbasedonMRIimages,andthe

segmentationofpelvicfloormusclesisthemostbasicandverycriticalprerequisitestep

for3Dreconstruction.Intheproc