基于 PRAU-Net 的新冠肺炎 CT 图像分割研究

来源：计算机技术与发展杂志2024年第03期北京时间：

作者：曾庆鹏;崔鹏

单位：南昌大学 数学与计算机学院,江西 南昌 330031 Author(s): ZENG Qing-peng;CUI Peng School of Mathematics and Computer Sciences,Nanchang University,Nanchang 330031,China 关键词: 新冠肺炎;医学图像分割;U-Net;残差结构;注意力机制 Keywords: COVID-19;medical image segmentation;U-Net;residual structure;attention mechanism 分类号: TP391. 41 DOI: 10. 3969 / j. issn. 1673-629X. 2024. 03. 020 摘要: 针对新冠肺炎 CT 影像病灶区域小、形状结构差异大和噪声等问题,提出一种基于编解码结构的 PRAU-Net 医学图像分割方法。 首先,在编码阶段使用一种残差 Inception 注意力卷积模块( Residual Inception Attention,RIA) 提取特征,RIA 采用残差结构将更深的并行卷积块和通道注意力机制相结合捕获更丰富的特征;其次,将不同尺度的特征通过跳跃连接进行融合,使解码器中特征有更加丰富的全局信息;最后,在解码器中使用全局注意力模块使网络关注相关特征,有效减少了 CT 影像中噪声的影响。 为了验证该方法的有效性,分别在三个数据集( Segmentation dataset nr. 2, CC - CCII 和COVID19_1110)上进行验证,实验结果表明,该方法比经典方法分割结果更加准确,相较于 U-Net 等经典分割方法,Dice系数提升了 1. 12% ~ 14. 84% , 敏感度提升了 0. 7% ~ 24. 63% 。 为了进一步提高分割性能, 使用生成对抗网络 对Segmentation dataset nr. 2 数据集进行了扩充,并利用 PRAU-Net 分割方法和多种经典分割网络进行了验证,结果表明,扩充小样本数据集可以有效地提高分割性能,PRAU-Net 方法的 Dice 系数从 0. 836 4 上升到了 0. 858 3。

摘要：针对新冠肺炎 CT 影像病灶区域小、形状结构差异大和噪声等问题,提出一种基于编解码结构的 PRAU-Net 医学图像分割方法。 首先,在编码阶段使用一种残差 Inception 注意力卷积模块( Residual Inception Attention,RIA) 提取特征,RIA 采用残差结构将更深的并行卷积块和通道注意力机制相结合捕获更丰富的特征;其次,将不同尺度的特征通过跳跃连接进行融合,使解码器中特征有更加丰富的全局信息;最后,在解码器中使用全局注意力模块使网络关注相关特征,有效减少了 CT 影像中噪声的影响。 为了验证该方法的有效性,分别在三个数据集( Segmentation dataset nr. 2, CC - CCII 和COVID19_1110)上进行验证,实验结果表明,该方法比经典方法分割结果更加准确,相较于 U-Net 等经典分割方法,Dice系数提升了 1. 12% ~ 14. 84% , 敏感度提升了 0. 7% ~ 24. 63% 。 为了进一步提高分割性能, 使用生成对抗网络 对Segmentation dataset nr. 2 数据集进行了扩充,并利用 PRAU-Net 分割方法和多种经典分割网络进行了验证,结果表明,扩充小样本数据集可以有效地提高分割性能,PRAU-Net 方法的 Dice 系数从 0. 836 4 上升到了 0. 858 3。

关键词：新冠肺炎;医学图像分割;U-Net;残差结构;注意力机制