基于改进的U-Net网络模型的气胸分割算法

摘要

X线胸片图像本身十分复杂,其组织对比度低,器官组织之间的边界形态不规则,再加上气胸病灶区域特征不明显,诊断严重依赖放射科医生的经验,传统分割算法常常需要人工干预,不能实现全自动分割病灶区域.针对以上问题,提出一种改进U-Net的网络模型算法,实现自动化分割气胸.该网络保持编解码体系结构,将U-Net编码器中的结构替换为ResNet结构,引入残差学习模块提高特征学习能力,解码器采用卷积和上采样将特征图恢复到原图像大小,编码器-解码器之间依旧采用U-Net结构的特征融合方式拼接.训练阶段为加快网络收敛速度调用ResNet50预训练参数,对模型预测的分割结果利用全连接条件随机场做图像后处理.实验结果表明,该算法有效提升了深度学习在处理气胸分割任务上的分割精度,Dice相似系数稳定在0.851,Jaccard系数稳定在0.769.