[1]赵林林,王潜,王军,等.基于深度学习的肢体骨肉瘤CT医学图像分割[J].中国医学物理学杂志,2023,40(10):1204-1211.[doi:DOI:10.3969/j.issn.1005-202X.2023.10.003]
　ZHAO Linlin,WANG Qian,WANG Jun,et al.Deep learning based approach for extremity osteosarcoma segmentation in CT image[J].Chinese Journal of Medical Physics,2023,40(10):1204-1211.[doi:DOI:10.3969/j.issn.1005-202X.2023.10.003]
点击复制

基于深度学习的肢体骨肉瘤CT医学图像分割()
分享到：

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
40卷
期数:
2023年第10期
页码:
1204-1211
栏目:
医学影像物理
出版日期:
2023-10-27

文章信息/Info

Title:
Deep learning based approach for extremity osteosarcoma segmentation in CT image
文章编号:
1005-202X（2023）10-1204-08
作者:
赵林林1; 王潜1; 王军2; 唐子硕1; 刘雨1; 樊卓明1; 陈继民1
1.北京工业大学材料与制造学部激光工程研究院， 北京 100124； 2.北京大学人民医院骨与软组织肿瘤治疗中心， 北京 100044
Author(s):
ZHAO Linlin1;  WANG Qian1;  WANG Jun2;  TANG Zishuo1;  LIU Yu1;  FAN Zhuoming1;  CHEN Jimin1
1. Institute of Laser Engineering, Department of Materials and Manufacturing, Beijing University of Technology, Beijing 100124, China 2. Bone and Soft Tissue Tumor Treatment Center, Peking University Peoples Hospital, Beijing 100044, China
关键词:
1.北京工业大学材料与制造学部激光工程研究院;  北京 100124;  2.北京大学人民医院骨与软组织肿瘤治疗中心;  北京 100044
Keywords:
Keywords: osteosarcoma medical image segmentation deep learning TransUNet model D-TransUNet model
分类号:
R318；R445.3
DOI:
DOI:10.3969/j.issn.1005-202X.2023.10.003
文献标志码:
A
摘要:
针对骨肉瘤CT图像自动化分割任务，本文制作了骨肉瘤CT图像数据集Osteosarcoma，并提出具有双特征提取结构Double-CNN的D-TransUNet模型。D-TransUNet模型在深度学习TransUNet分割模型的基础上新增特征提取结构。用3×3卷积核进行特征提取，同时在特征通道上进行缩减和拼接，最后将双特征提取结构提取的图像信息进行融合。模型整体提取的原始图像信息更加丰富，进一步提升了分割精度。
Abstract:
Abstract: For the task of automatic segmentation of osteosarcoma in CT images, a dataset of CT images (Osteosarcoma) is established, and a D-TransUNet model with Double-CNN feature extraction structure based on TransUNet is proposed. The 3×3 convolution kernel is used for feature extraction, and the feature channel is reduced and spliced. Finally, the image information extracted by the Double-CNN feature extraction structure is fused. The original image information extracted by the proposed model is more abundant, which further improves the segmentation accuracy.

备注/Memo

备注/Memo:
【收稿日期】2023-05-12 【基金项目】国家自然科学基金（82272947）；北京大学人民医院研究与发展基金（RDG2021-02, RDL2022-14和RZ2023-02）；北京大学临床医学+X青年专项，中央高校基本科研业务费（PKU2023LCXQ016） 【作者简介】赵林林，硕士，研究方向：医学图像处理，E-mail: zll13022273902@163.com 【通信作者】王潜，博士，助理研究员，研究方向：激光增材制造、医学图像处理，E-mail: wangqian@bjut.edu.cn；王军，博士，主治医师，研究方向：骨与软组织肿瘤的基础和临床研究，E-mail: pkuwj2010@163.com
更新日期/Last Update: 2023-10-27