基于U形神经网络的胰腺肿瘤CT图像分割方法研究.pdfVIP

摘要

胰腺器官具有体积小、形状易变等特点。目前，通常借助计算机断层扫描成

CTCT

像技术（）来对胰腺疾病进行诊断，传统方法是医生通过肉眼识别图像中

的病灶区，这不仅会消耗医生大量精力，且会存在误判。当前，深度学习领域快

速发展，广泛应用于医学图像分割，U-Net是在医学图像分割中应用最广的神经

网络，具有较好的分割性能，但是传统的U-Net模型针对小目标的信息特征提取

CTU-Net

能力并不强，且胰腺图像均为三维图像，使用二维模型进行分割时需

先对图像作切片处理，此过程中会导致图像层间信息的丢失。本文针对以上问题

对模型进行了优化，主要研究内容如下：

1CT

（）针对图像中胰腺体积过小导致分割中存在的类间无差别问题，本

文提出了一种基于U-Net融合多尺度卷积与注意力模块的胰腺分割算法。在模型

的编码部分每一层引入了多尺度卷积，通过不同卷积核的卷积运算，兼顾了模型

对局部小区域细节信息和全局语义信息的提取。同时，在跳跃连接部分添加通道

注意力模块和注意力门结构，使胰腺的分割边界更加精准，解决类间无差别问题。

23DU-Net

（）针对二维分割中图像层间信息丢失问题，本文提出了一种基于

融合空洞空间金字塔密集连接模块和三维注意力模块的胰腺肿瘤分割算法，在第

一阶段分割出的胰腺区域内分割肿瘤。为了能有效地提取肿瘤小体积的特征信息，

本文在模型编码部分的每一层引入空洞空间金字塔密集连接模块。同时，在解码

部分的每一层引入三维注意力门结构和在跳跃连接部分添加三维通道注意力模

块，以过滤背景信息，增强目标区域信息的提取。

MD_3DU-NetCascade

（3）本文构建了一种两阶段级联算法模型，由第一

阶段的二维模型MA_U-Net和第二阶段的三维模型DA_3DU-Net组成。在公开

数据集MSD上进行实验。首先对数据集做二维切片处理，通过数据增强，使得

数据集数量满足模型训练要求。然后进行第一阶段二维模型分割，对照一阶段分

割结果，在原始数据集上裁剪出三维目标区域，进行第二阶段三维模型分割。级

联算法有效结合了二维图像高分辨率和保留数据集三维图像特征的优点。本文在

MSD数据集上进行了交叉验证实验，实验结果显示：Dice系数由当前模型的平

55%57.89%Precision50%55.12%

均值提升到，系数由当前模型的平均值提升到，

证明了模型的有效性。

：

关键词图像分割；胰腺肿瘤；多尺度卷积；密集连接；注意力模块

I

ABSTRACT

Pancreaticorganshavethecharacteristicsofsmallvolumeandvariableshape.At

present,computertomography(CT)technologyiscommonlyusedtodiagnose

pancreaticdiseases.Thetraditionalmethodisfordoctorstoidentifythelesionareain

CTimageswiththenakedeye,whichnotonlyconsumesal