基于Concat?UNet的食管癌肿瘤医学影像分割研究

摘要：

食管癌肿瘤的诊断方式主要是医生对胸部计算机断层扫描(CT)影像进行阅片.由于医生的主观判断易受外界环境的干扰,因此诊断结果与实际结果存在偏差.基于深度学习的图像分割网络对辅助诊断食管癌肿瘤具有重要意义.因食管在整体胸部CT影像中所占的区域较小且对比度较低,传统的图像分割网络难以准确地确定食管癌肿瘤的区域.为精准分割医学CT影像中的食管癌肿瘤,提出图像分割网络Concat-UNet.基于U-Net网络,采用编码解码模式的U型对称架构对网络中的卷积模块进行改进,并引入跳跃连接和批量归一化层,将卷积模块的原始输入与提取特征后的输出进行特征融合,以增强网络的特征提取能力.在此基础上,采用BCEWithLogits与Dice损失函数相结合的方式联合训练网络.实验结果表明,相比SegNet、ERFNet、U-Net等网络,Concat-UNet在食管癌数据集上的检测精确率为91.87％,相比基准网络U-Net提升了11.64个百分点,具有较优的分割效果.

关键词：食管癌、语义分割、U-Net网络、Concat-UNet网络、跳跃连接

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：科技创新新一代人工智能重大项目;山东省自然科学基金项目;福建省医疗数据挖掘与应用工程技术研究中心开放课题;青岛市科技计划项目

在线出版日期：2022-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：312-320