基于ResUNet和Transformer的CT肝脏肿瘤图像分割

摘要

针对CT图像中细小肝脏肿瘤分割过程中边界模糊和特征丢失的难题，提出一种基于改进的ResUNet架构的BounDer-Net模型。通过构建基于Transformer的动态多尺度编码器并引入通道空间双路径关注机制，该模型可在多个维度上关注肿瘤特征；此外，模型采用的边界敏感动态特征融合策略能有效捕捉肿瘤的异构特征。BounDer-Net模型首先通过低层次特征提取生成初始特征图，然后将特征输入基于Transformer的动态多尺度编码器提取多层次特征，最后通过解码器还原空间细节，并结合边界增强模块提高小肿瘤边界的分割精度。在LiTS2017数据集上的实验结果表明，BounDer-Net模型的Dice相似系数、平均交并比和Hausdorff距离分别达到94.64%、92.34%和0.35 mm，明显优于现有方法。本研究为自动诊断肝脏CT图像中的微小肿瘤提供可靠的解决方案。

关键词

肝脏肿瘤 / CT图像 / BounDer-Net模型 / ResUNet / Transformer

基金资助

甘肃省教育厅创新基金（2022B-113）