基于瓶颈残差注意力机制U-net的肝脏肿瘤分割
董晓莹
陈平
中北大学信息与通信工程学院,太原030051;中北大学信息探测与处理山西省重点实验室,太原030051
摘要：医学CT图像中含有的大量噪声以及肝脏肿瘤大小不均一、位置因人而异且与相邻器官较相似的组织密度等都造成肝脏肿瘤分割困难.现有传统全卷积神经网络(FCN)方法,通过为输入CT图像中每个像素分配类别标签来实现肝脏肿瘤分割,但在分割精度上仍会出现小目标漏检或目标边界分割模糊的问题.针对这些问题,本文提出一种瓶颈残差注意力机制U-net (BRA U-net)的肝脏肿瘤分割方法,通过引入瓶颈残差模块可在非常深的网络中大幅减少计算量的同时解决梯度消失问题,此外堆叠的注意力模块可以增大有效特征的比重.本文在公共MICCAI2017肝肿瘤分割数据集上测试了该框架,戴斯相似性系数值达到0.788,高于其他对比分割网络,并利用3D-IRCADb数据集来验证该方法的一般性,结果表明本文方法分割效果良好,能够为临床诊断提供可靠依据.
关键词：瓶颈残差注意力模块U-net医学CT图像肿瘤分割
分类号：O242.41(计算数学)R814(放射医学)
资助基金：国家自然科学基金(61801437)基于深度学习的递变能量多谱CT成像表征方法研究(61871351)基于深度学习的低剂量CT重建与影像识别(61971381))(61971381)
论文发表日期：2021-11-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 661-670 )
英文信息