基于优化下采样与特征融合的肺结节分割方法

摘要

肺结节类型多样，其复杂的影像特征使精确分割肺结节成为一大挑战.因此，提出了一种基于优化下采样与特征融合的肺结节分割方法（DFNet）.针对最大池化导致细节信息丢失的问题，结合SPD-Conv和锐化卷积核思想，提出了空间到深度下采样（SPDD），以减少下采样过程中信息丢失的同时增强特征提取能力.由于编码器和解码器特征之间存在语义差距，简单拼接的跳跃连接可能导致特征融合不充分.设计了双支路融合模块（DPFM），通过增强编码器和解码器的特征融合，提升了模型的分割能力.该模型在LIDC-IDRI数据集上取得了90.59%的Dice相似系数，相比原始U-Net提升了1.89%.与其他分割方法相比，该模型有更好的分割性能.

关键词

肺结节 / 图像分割 / 特征融合 / 下采样