基于区域与边缘深度自编码器的肩部肌肉MRI分割

由于肌肉大小、形状、纹理以及撕裂空间位置的高度变异性，肩部肌肉MRI的自动分割具有挑战性。撕裂与肌肉部分的手动分割困难、耗时，且依赖于病理学专业知识。本工作提出了一种用于肩部肌肉MRI分割的新的基于区域与边缘的深度自编码器（RE-DAE）。所提出的RE-DAE在卷积神经网络（CNN）的编码器与解码器模块中和谐地采用平均与最大池化操作。嵌入深度自编码器（DAE）中的基于区域的分割促使网络提取平滑且同质的区域。相反，基于边缘的分割试图学习边界与解剖信息。这两种概念在DAE中被系统性结合，生成具有判别性与稀疏的混合特征空间（同时利用区域同质性与边界）。此外，所提出的RE-DAE中利用了静态注意力的概念，有助于有效学习撕裂区域。所提出的基于MRI分割的DAE架构的性能已使用3D MRI肩部肌肉数据集并通过留出交叉验证技术进行了测试。MRI数据收集自韩国首尔高丽大学安岩医院。通过使用创新的定制与现有预训练CNN架构，并均采用迁移学习与微调，进行了实验比较。使用所提出的SA-RE-DAE在肌肉数据集上的客观评估显示，撕裂与肌肉区域的Dice相似度分别为85.58%和87.07%，准确率分别为81.57%和95.58%。高视觉质量与客观结果表明，所提出的SA-RE-DAE能够正确分割肩部肌肉MRI中的撕裂与肌肉区域，以辅助更好的临床决策。