基于2.5D网络和尺度注意力感知的肝脏与肿瘤分割

摘要

深度学习技术已被广泛应用在肝脏与肿瘤的分割任务中。但是,现有的3D网络模型大都忽略了医学图像横断面的像素距离过大的问题,直接使用3D卷积操作难以学习到准确的三维空间信息。此外,肿瘤形状大小高度可变的特点使得分割肿瘤更具挑战性。针对第一个问题,本文提出改进后的2.5D ResNet34对肝脏和肿瘤特征进行编码,提高模型对三维空间信息的建模能力。同时,利用DSC损失函数来提高模型对整体结构的分割能力。针对第二个问题,本文提出尺度注意力感知模块,通过建模不同尺度特征下的局部和全局三维空间信息,以有效地整合低级上下文信息和高级区域语义信息,从而实现精准的肝脏和肿瘤分割。本文所提出的方法在Liver Tumor Segmentation (LiTS)数据集上测试了肝脏与肿瘤的分割性能,其中肝脏分割的DSC为96.4%,肿瘤分割的DSC为72.3%,并与近三年的模型相比,本文提出的方法在肝脏和肿瘤分割中表现最好。