DNAS-Net：一种用于肺炎分割的新型密集嵌套网状编码器

摘要

自2019年新型冠状病毒肺炎迅速传播以来，肺炎的检测和治疗逐渐成为一个热门话题.基于深度学习的计算机辅助筛查作为提高肺炎筛查和临床诊断准确性的辅助手段，受到了广泛关注.然而，由于医学图像中病变的形状、大小和位置存在显著差异，传统的深度学习方法在有限的医学图像数据集上表现不佳.我们提出了一种新的密集嵌套网状肺炎分割模型（Dense Nested Anastomosing Segmentation Network,DNAS-Net），它是一种从CT图像中分割肺炎区域的有效模型.首先，该模型使用注意层次空间金字塔模块（Attentive Hierarchical Spatial Pyramid Module,AHSP）和注意可分离特征金字塔模块（Attentive Separable Feature Pyramid Module,ASFP）建立了一种用于深度特征提取的密集嵌套网状编码器.其次，在跳跃连接中，模型不再只连接来自对应阶段的编码器和解码器，而是使用密集跳跃特征融合模块（Dense Skip Feature Fusion Module,DSFF）来弥合低级和高级特征之间的语义差距，以促进语义分割.大量实验表明，提出的DNAS-Net具有更好的分割准确性.

关键词

深度学习 / 图像分割 / 肺炎 / 多尺度 / 跳跃连接