10.3969/j.issn.1673-5862.2022.06.014
基于深度学习的CT图像肺气管分割
根据肺部计算机横断扫描(computed tomography,CT)图像准确提取肺气管对肺呼吸功能测定和疾病诊断具有重要意义.现有的肺气管分割方法需要依赖大量人机交互才能提升分割精度,而深度学习在医学图像处理领域有比较广泛的应用,尤其是在肺部结节检测和良恶性诊断方面,但深度学习用于肺部CT图像的肺气管分割由于图像噪声和部分容积效应的影响会造成肺气管分割的泄漏,难以分割出微小的气管.原始肺部CT图像中包含骨骼、病床等非感兴趣区域,处理数据量的增大会消耗更多的数据处理时间,且极易造成误差.利用肺气管树的解剖结构信息,对肺气管分割采用分步处理,提出了一种基于Attention-Unet的肺气管分割方法.实验结果表明,将基于深度学习的Attention-Unet网络应用于肺部CT图像的肺气管分割,能提高分割的速度和精度,并有效防止泄漏.
深度学习、肺实质分割、肺气管分割、Attention-Unet网络
40
TP391.41;R816.41(计算技术、计算机技术)
国家自然科学基金;辽宁省教育厅科学研究经费项目
2023-03-28(万方平台首次上网日期,不代表论文的发表时间)
共7页
558-564