基于以数据为中心的多任务学习及切片尺寸对肺结节分割性能的影响

摘要

针对现有公开数据集缺乏肺部关键器官、组织标注的问题，收集863例胸部CT扫描图像，采用计算机视觉算法与放射科医生手动校正的半自动化方法，构建首个含肺血管、气道及肺结节标注的综合数据集。在此基础上，提出基于多任务学习的肺结节分割模型，通过加入肺血管（肺动静脉）、气道标注增强模型学习肺部特征能力，降低肺结节假阳性问题，提高泛化能力，并采用较大图像块的方式进一步优化提升模型性能。训练得到的VAAN＿128模型综合表现最优，在肺结节分割任务中Dice系数为0.694，假发现率为0.210，并且能同时提供准确的肺血管、气管分割结果，协助制定更精确的诊疗方案。基于VAAN＿128模型，设计开发穿刺手术导航定位系统软件，在临床操作中辅助医生准确定位肺结节，区分关键组织，提升术前规划效率，为肺部疾病早期诊断、病情监测等提供精准、高效技术支持，对于临床导航系统的路径规划以及未来肺部成像研究具有重要意义。

关键词

肺结节 / 多任务学习 / 深度学习 / 分割性能

基金资助

国家自然科学基金（82141101,82102766）; 上海市卫生健康委协同创新项目（2020CXJQ02）; 上海市肺科医院重点培育项目（fkzr2001）