基于多尺度特征融合与注意力的肝脏分割方法

由于CT影像对比度低、肝脏形状不规则、相邻器官边界模糊,目前基于卷积神经网络的方法在肝脏分割任务上的表现不佳,尤其是在边界识别和小目标检测方面。基于此,提出一种基于多尺度特征融合与注意力的肝脏分割方法(MFFA UNet)。首先,利用多尺度特征融合获取丰富的分割信息,同时使用空间和通道注意力机制捕获全局空间和通道间的关系。其次,通过深度监督模块充分利用中间隐藏层的输出,增强网络的学习能力,加快网络收敛速度。此外,采用一种混合损失函数,以解决类别不平衡的问题,进一步提升模型的分割效能。实验结果表明,所提出的MFFA UNet方法在公共数据集LITS上的表现超越当前主流分割网络,分割结果更接近真实值。