ty -jour a2 -iriguchi，norio au -wang，wenjing au -feng，hongwei au -bu，qirong au -cui -cui，lei au -xie -xie，yilin au -zhang，aoqi au -aoqi au -feng -feng -feng，feng -feng，Jun au -zhu -Zhu -Zhaui au -Zhaohui au -zhaohui au -zhaohui au-Chen，中华民国PY -2020 DA -2020/07/17 TI -MDU -NET：胸部X光片SP的锁骨和肋骨分割的卷积网络 - 2785464 VL -2020 AB-胸部X光片的自动骨分割是重要的，并且很重要，并且是重要的，并且是重要的在医学图像分析中具有挑战性的任务。然而，胸部X光片包含许多人工制品和组织阴影，例如气管，血管和肺静脉，它们限制了传统分割方法的准确性，例如阈值和与轮廓相关的技术。深度学习最近对一些器官（例如胰腺和海马）进行了极好的分割。但是，注释数据集的不足会阻碍胸部X射线的锁骨和肋骨分割。我们已经构建了一个带有原始胸部X光片的胸部X射线数据集和四个带注释的图像，显​​示了锁骨，前肋骨，后肋骨和所有骨骼（完整的肋骨和锁骨）。根据足够的数据集，提出了多任务密集连接U-NET（MDU-NET）来解决胸部X光片的骨骼分割挑战。我们首先将U-NET多尺度功能融合方法，Densenet密度连接和多任务机理组合，以构建称为MDU-NET的建议网络。然后，我们提出一个掩码编码机制，该机制可以迫使网络学习背景特征。 Transfer learning is ultimately introduced to help the network extract sufficient features. We evaluate the proposed network by fourfold cross validation on 88 chest radiography images. The proposed method achieves the average DSC (Dice similarity coefficient) values of 93.78%, 80.95%, 89.06%, and 88.38% in clavicle segmentation, anterior rib segmentation, posterior rib segmentation, and segmentation of all bones, respectively. SN - 2040-2295 UR - https://doi.org/10.1155/2020/2785464 DO - 10.1155/2020/2785464 JF - Journal of Healthcare Engineering PB - Hindawi KW - ER -