基于高效通道注意力的UNet肺结节CT图像分割

摘要

肺癌是全球死亡率最高的癌症之一，肺结节作为肺癌早期诊断的重要依据，对其进行精准分割格外重要。为了帮助医生诊断肺部病变，本文提出一种改进的UNet肺结节分割方法。首先，在特征提取部分引入高效通道注意力网络(efficient channel attention for deep convolutional neural networks, EcaNet),提高UNet分割效果，使其具有良好的泛化能力。接着，为了降低模型参数量、提升算法分割性能，提出一种基于深度可分离卷积的特征融合模型，用深度可分离卷积代替传统卷积完成特征融合。然后，针对肺结节图像特点，将基于重叠度损失函数(dice loss)与加权交叉熵(weighted cross entropy, WCE)结合作为新的损失函数。最后，为验证所提算法Eca-UNet的有效性，在LIDC-IDRI肺结节公开数据集上进行评估。结果表明：Eca-UNet算法在DICE相似系数、MIOU上比UNet分割算法分别提高10.47、7.34个百分点；同时在训练速度上提升了10.10%,预测速度提升了11.56%。

关键词

图像分割 / 肺结节CT图像 / 注意力机制 / UNet / 残差网络