基于级联DDR-UNet++的肝脏肿瘤图像分割方法

摘要

目的：探讨并解决传统U-Net算法在肝脏肿瘤分割中，肝脏及肿瘤上下文信息缺乏、肿瘤形态差异性大导致的分割精度不足问题。方法：提出了一种结合空洞卷积和残差模块的级联肝脏肿瘤分割算法DDR-UNet++。首先，利用LiTS-2017数据集中的CT图像，通过窗位窗宽调整、直方图均衡化和高斯滤波进行预处理，减少噪声并平滑边缘。然后，采用级联肝脏分割模型，增强肝脏区域占比，减轻周围组织干扰，并解决数据不平衡问题。肝脏肿瘤分割模型通过引入可变形空洞卷积和残差网络，扩展感受野，提升特征提取能力。结果：DDR-UNet++在LiTS-2017数据集上的Dice相似系数、相对体积差异和Jaccard指数相比于U-Net模型分别提升了4.7%、1.7%和8.5%，有助于克服传统肿瘤分割中的低效性和低准确性，提高早期肿瘤发现率和患者生存率，减轻医生负担。结论：该方法通过改进模型结构与分割策略，在一定程度上改善了特征提取能力不强的问题，有效提升了肝脏肿瘤分割的精度和鲁棒性，为临床辅助诊断提供可靠的技术参考。

关键词

DDR-UNet++ / U-Net / 残差模块 / 空洞卷积 / 肝脏肿瘤分割

基金资助

山东省自然科学基金（ZR2020MF156）; 国家级大学生创新创业项目（202410439008）; 山东第一医科大学校级教育教学改革研究项目（XM2024045）