基于空洞空间金字塔池化的U-Net网络在肺部图像分割上的应用

目的：胸部X线图像中肺野的自动分割是相关疾病筛查和诊断的关键步骤,为了适应计算机辅助诊断系统的要求,提出一种基于空洞空间金字塔池化的U-Net网络对胸部X线图像中肺野进行自动分割。方法：在编码和解码之间引入带有空洞卷积的空间金字塔池化用于扩大接受域;同时,在多个尺度上获取图像上下文信息,用于从胸片中分割肺野,使用Montgomery数据集及深圳数据集进行验证。根据医学图像分割常用指标准确性、Dice相似系数及交并比评价基于空洞空间金字塔池化的U-Net网络分割肺野的性能。结果：验证准确性为98.29%,Dice相似系数为96.61%,交并比为93.47%。结论：本文提出一种基于空洞空间金字塔池化的U-Net网络用于分割肺野,相较于其他方法学习到更多边缘分割特征,取得更好的分割结果。     

基于深度学习的肺部CT图像分割研究进展

肺部CT图像分割是早期筛查和诊断肺部疾病的关键。传统的CT图像分割技术（如阈值法、聚类法和区域生长法）存在精确性差、效率低和鲁棒性差的问题。随着深度学习的发展，基于深度学习的模型在CT图像分割方面表现出卓越的能力。本文结合近年来国内外研究文献，对深度学习的算法发展及其在肺部CT图像分割中的应用进行综述。文献复习结果表明，采用图像分割评价指标Dice相似系数（Dice similarity coefficient,DSC）对算法性能进行评估，肺部CT图像分割深度学习算法的DSC均大于0.9。这些结果表明深度学习能实现精确、高效和鲁棒性的肺部CT图像分割。同时，未来需要对医学图像的复杂性，深度学习数据集的大小、隐私性、网络架构设计和模型可解释性等难题进一步深入研究。