可分离卷积与注意力机制结合的肝癌靶区CT图像自动分割

摘要

目的：开发一种可分离卷积与注意力机制结合的肝癌靶区CT图像分割方法。方法：基于U-Net卷积神经网络的肝癌靶区分割方法，为增强分割模型的特征表达能力，将注意力模块与U-Net模型相结合，提高与分割任务相关性更大的特征通道权重；在网络模型编码阶段引入本文提出的可分离卷积，补充下采样过程中损失的特征信息。结果：在复旦大学附属中山医院50例肝癌患者数据集上进行靶区分割，实验结果表明，相比于已有方法，本文提出方法的分割平均戴斯相似系数比3D U-Net提高4.54%。结论：基于可分离卷积和注意力机制的U-Net卷积神经网络对肝癌靶区达到更好的分割精度，有望在临床应用中提高医生的工作效率。

关键词

肝癌 / 深度学习 / 卷积神经网络 / 靶区分割 / 注意力机制