用于肺部腫瘤圖像分割的跨模態多編碼混合注意力U-Net

周濤，董雅麗，劉珊，陸惠玲，馬宗軍，侯森寶，邱實

（1 北方民族大學 計算機科學與工程學院，銀川 750021）

（2 北方民族大學圖像圖形智能處理國家民委重點實驗室，銀川 750021）

（3 寧夏醫科大學 理學院，銀川 750004）

（4 寧夏醫科大學總醫院骨科，銀川 750004）

（5 中國科學院西安光學精密機械研究所，西安 710119）

0 引言

肺癌是一種常見且惡性程度高的癌癥［1］，5年生存率僅為18%［2］，嚴重威脅著人們的健康。醫學影像技術［3］對肺部腫瘤的臨床治療有重要意義，其無創的成像方式被廣泛應用在腫瘤診斷、分期、療效評估等多個階段，然而目前醫學圖像病灶分割仍存在一些挑戰：1）病灶勾畫依賴有經驗的臨床醫生手動分割，人體復雜的解剖結構導致該工作費時費力；2）肺部腫瘤圖像對比度低、病灶大小和形狀不一、病灶位置多變，導致精準分割困難；3）肺部腫瘤圖像數據類別分布不平衡，存在大量背景信息干擾。

醫學圖像分割方法分為傳統方法和深度學習方法，傳統分割方法［4-6］依賴參數的設定，對初始輪廓敏感，對復雜形狀和對比度低的圖像分割效果不理想。以卷積神經網絡（Convolutional Neural Networks，CNNs）為代表的深度學習方法在計算機視覺中迅速發展。醫學圖像分割要求分割結果更加準確，然而數據集少、缺乏標簽等特點給醫學圖像分割帶來了困難。2015年，RONNEBERGER O［7］提出網絡架構對稱的U-Net，在少量醫學數據的情況下仍能獲得良好的分割結果，應用于多種醫學圖像分割場景［8-9］。黃鴻［10］提出基于U-Net++改進的肺結節分割算法，從網絡不同深度提取語義信息，然后通過權重聚合模塊自適應學習網絡不同層的特征權重。……