基于深度神经网络的尺桡骨远端图像语义分割

对尺桡骨远端图像进行语义分割可以提取出尺骨桡骨感兴趣区域(ROI)，ROI提取对后期的辅助诊断分析非常重要。本文提出了一种基于深度全卷积神经网络的语义分割模型，并对尺桡骨远端图像进行像素级的语义分割。实验表明，该模型可以精准地从尺桡骨远端图像中分割尺骨、桡骨并识别其语义，并分析了几种典型网络结构对分割模型的影响作用。分割模型对尺骨的识别精度和召回率为97%，交并比(IoU)为95%；对桡骨识别精度为98.5%，召回率为98%，交并比(IoU)为96.6%。

图像分割是图像处理中的一项关键技术，图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一， 它是图像进行下一步视觉分析和模式识别等的前提。

图像分割的应用非常广泛， 比如，在军事研究领域，通过图像分割为目标自动识别提供参数，为飞行器或武器的精确导航和制导提供依据；在遥感气象服务方面，通过遥感图像分析获得城市地貌，作物生长状况。云图中不同云系的分析，气象预报等也都离不开图像的分割；在交通图像分析方面，通过图像分割可以把交通监控获得的图像中车辆、行人等从背景中分割出来，来对交通状况进行估计。传统的图像分割方法包括基于区域的分割方法[1]，基于边界的分割方法[2]，基于图的分割方法[3]等。卷积神经网络(CNN) [4]提出后，使用深度学习的方法便开始越来越多的应用于图像分割。S Oe，G Liu [5]提出使用CNN 的图像分割方法，来提取图像的纹理特征，W Shimoda，K Yanai [6]使用CNN 分割图像中不同类别的食物，可以对手机拍摄的照片进行分割、识别其中的食物，A Vetrivel 等[7]使用CNN 来分割卫星图像中被自然灾害(如地震)损害的区域，用于估计损害情况，Rahmat B 等[8]使用CNN 来分割出汽车的车牌图像，用于车牌识别。图像分割在医学领域也有很广泛的用途[9]，R Rouhi 等[10]使用CNN 分割良性或恶性的乳腺肿瘤来对乳腺癌的病情进行判断，Perfetti R 等[11]使用CNN 分割视网膜血管来进行一些疾病(如糖尿病)的诊断，Duraisamy M，Duraisamy S [12]使用CNN 从MRI 图像中分割出肺部区域来辅助医生的诊断，Moeskops P 等[13]使用CNN 分割大脑的MRI 图像为不同的功能区域，如白质、灰质、脑脊液等。但基于CNN 的图像分割方法仍存在一些缺点，如分割效率低，分割精度差等，很多改进方法被提出。W Lotter 等[14]提出使用多尺度CNN 的方法，输入图像为不同尺寸的图像块使CNN 有更广泛的感受野，改善了分割效果，LC Chen等[15]提出在CNN 的后端加入条件随机场， 很好的提高了分割精度， Lonjong 等[16]提出了全卷积神经网络(Full Convolution Neural Network, FCN)， 可以进行像素级的分类， 从而高效的解决了语义级别的图像分割(semantic segmentation)问题，图像语义分割需要对图像的每一个像素点进行分类，FCN 也开始逐渐替代了CNN 用于图像分割。Ronneberger O 等[17]使用FCN 分割生物图像，比如从一幅细胞图像中分割出不同类别的细胞，L Yang 等[18]使用FCN 分割人的衣服着装，用于改善网络购物的体验，Niemeijer J 等