基于多尺度監督與殘差反饋的優化算法有效提高鼻咽癌CT圖像視交叉及視神經分割精度

摘要：目的 提出并驗證一種新的基于多尺度監督與殘差反饋的深度學習分割算法（DSRF），以實現對鼻咽癌患者CT圖像中小器官-視交叉和視神經的精確分割。方法 收集來自SegRap2023、StructSeg2019和HaN-Seg2023公開數據庫的212例鼻咽癌患者CT圖像及其真實標簽。為解決傳統卷積神經網絡在池化過程中小器官特征丟失的問題，設計一種基于混合池化策略的解碼器，利用自適應池化和平均池化技術將高級語義特征逐步細化并融合低級語義特征，使網絡學習到更細小的特征信息。采用多尺度深度監督層，在深度監督下學習豐富的多尺度、多層次語義特征，以提高對視交叉和視神經邊界的識別能力。針對CT圖像中視交叉和視神經對比度低的挑戰，設計可使網絡多次迭代的殘差反饋模塊，該模塊充分利用模糊邊界和易混淆區域的信息，通過監督迭代細化分割結果，并結合每次迭代的損失優化整個分割框架，提高分割精度和邊界清晰度。采用消融實驗驗證各組件的有效性，并與其他方法進行對比實驗。結果 引入混合池化策略、多尺度深度監督層和殘差反饋模塊的DSRF算法能有效提升小器官的特征表示，實現視交叉和視神經的準確分割，其平均DSC達到0.837，ASSD低至0.351。消融實驗進一步驗證DSRF方法中各組成部分的貢獻。結論 本文提出的基于多尺度監督及殘差反饋的深度學習分割算法能有效提升特征表示能力，實現視交叉和視神經準確分割。

關鍵詞：鼻咽癌；視交叉與視神經分割；……