科研之友
微信
新浪微博
Facebook
分享链接
摘要
肝脏肿瘤分割是肝癌诊断与治疗不可或缺的重要环节。针对传统的U-Net网络在形状、大小、位置复杂多变且边界模糊的肿瘤分割中信息丢失、分割精度低等问题，对其进行改进以提高肝脏肿瘤分割精度。首先，在编码阶段使用混合空洞卷积替换原有卷积块，增大感受野、获取更多的上下文信息；在解码阶段采用密集上采样卷积，捕获和解码更详细的信息；引入残差模块，加速模型的训练并防止网络退化。其次，在每个跳跃连接之间加入注意力机制，使模型重点关注感兴趣区域，抑制冗余特征；使用组归一化(GN)代替常用的批量归一化(BN),减小Batch Size过小对网络准确性的影响，并结合Focal Tversky损失函数以改善类不平衡问题。通过LiTS2017数据集的实验表明，相较于传统U-Net,所提改进模型在肝脏和肿瘤分割中的Dice指标分别提升了3.56%和4.21%,召回率提升了3.71%和5.35%。
- 单位
