基于特征融合的U-Net肺自動分割方法

李雪，周金治，莫春梅，余璽

1.西南科技大學信息工程學院，四川綿陽621000；2.特殊環境機器人技術四川省重點實驗室，四川綿陽621000

前言

自20 世紀60年代神經認知機（Neocognitron）模型［1］出現以來，學者們就開始將神經網絡與肺部醫學圖像異常診斷相結合，其中卷積神經網絡（Convolutional Neural Network, CNN）［2］和計算機斷層掃描（CT）技術［3］在肺癌診斷中起著至關重要的作用。作為一種新興、復雜且涉及多學科的交叉技術，卷積模型的研究熱點是肺部CT 圖像中關鍵信息的提取，但面對高質量醫學數據缺乏和雙肺邊界特征信息難以準確提取等問題，如何從肺部CT 圖像中提取肺輪廓特征成為一個重要的研究課題。

在肺分割過程中可以考慮灰度、顏色、運動、形狀、紋理特征信息等，關于如何分析肺部各種特征的有效性并選擇最具有代表性的特征，曹蕾等［4］根據胸部CT 圖像的影像學和解剖學特征，結合最佳閾值法、數學形態學方法，先后對肺部圖像進行了粗分割、細分割并得到不錯的分割效果，但是肺部特征需手動選取，工作量大而復雜；Deepa等［5］提出了一種基于肺部Haralick 紋理特征的提取方法，該方法的分割準確率為86%，分割性能遠遠優于未經特征優化選擇的結果，但是分割精確度還不是很高；Rajnnt 等［6］提出了使用主成分分析（Principal Component Analysis，PCA）進行肺部特征提取，提取的特征通過PCA 數據挖掘進行分類，但是特征矩陣經過PCA 降維后易出現特征丟失的問題，導致分割并不理想，因此分割結果也不夠精確；Anifah 等［7］使用反向傳播神經網絡（Back-propagation Neural Network, BNN）自動提取灰度直方圖特征，不用人為選取特征，但灰度特征并不是最有效的肺部特征，因此分割效果還有待提高；……