基于UNet++的自动分割COVID-19病灶模型在CT切片中的应用

针对肺部病变的多样性和区域分割复杂化的问题,提出了一种新的UNet++模型,包括在U-Net基础上进行了改进,主要由挤压和注意模块、空洞空间金字塔池模块、下采样、上采样、跳过连接和损失函数组成.首先,引入了挤压和注意模块来加强像素分组的注意力,充分利用全局上下文信息,让网络更好地挖掘像素之间的差异和联系.其次,设计空洞空间金字塔池模块,用于捕获COVID-19病变的多尺度信息.下采样获得高维信息,然后使用四次上采样将特征图恢复到原始大小,并使用四个跳跃连接来合并特征图.此外,广义骰子损失可以降低病变大小与骰子损失之间的相关性,从而解决小区域分割问题.使用来自不同数据集的CT扫描数据对UNet++模型进行了广泛的实验.在实验中,UNet++模型和GDL分别与典型分割模型和流行的损失函数进行了比较,实验数据表明提出的新的UNet++模型最接近黄金标准.

基于自适应联合损失函数的新型冠状病毒感染病灶分割网络

新型冠状病毒感染是一种传染性强、变异性强、潜伏期长的急性呼吸道传染病。基于电子计算机断层扫描成像的新型冠状病毒感染病灶自动分割可以辅助医生进行快速诊断和精确治疗,能有效地减少误诊漏诊的风险。针对新型冠状病毒感染病灶征象复杂且边界模糊难以分割等痛点,本文在新型冠状病毒感染病灶分割网络的基础上结合水平集分割方法引入了水平集广义骰子损失函数(LGDL),提出了双路径新型冠状病毒感染病灶分割网络(Dual-SAUNet++),其中LGDL是由掩膜路径的广义骰子损失和水平集路径的均方误差联合所得的自适应权重损失。本文所提模型在测试集上取得的戴斯相似系数为(87.81±10.86)%,交并比为(79.20±14.58)%,敏感度为(94.18±13.56)%,特异度为(99.83±0.43)%,豪斯多夫距离为(18.29±31.48) mm。实验证明,Dual-SAUNet++能够同时关注病灶的面积和边界信息,可以有效分割出多尺度病灶且具有较强的抗噪能力。综上,本文所提方法通过精确分割病灶区域,可辅助医生判断新型冠状病毒感染的严重程度,为后续临床治疗提供可靠依据。