计算机工程

作者：刘文, 亓文霞, 仲国强, 王佳佳, 王大寒

单位：1. 中国海洋大学 信息科学与工程学部, 山东 青岛 266100;2. 德州市人民医院 肿瘤科, 山东 德州 253000;3. 厦门理工学院 计算机与信息工程学院, 福建 厦门 361024

关键词：食管癌,语义分割,U-Net网络,Concat-UNet网络,跳跃连接

基金：科技创新2030“新一代人工智能”重大项目（2018AAA0100400）；山东省自然科学基金（ZR2020MF131）；福建省医疗数据挖掘与应用工程技术研究中心开放课题（MDM2018007）；青岛市科技计划项目（21-1-4-ny-19-nsh）。

食管癌肿瘤的诊断方式主要是医生对胸部计算机断层扫描（CT）影像进行阅片。由于医生的主观判断易受外界环境的干扰，因此诊断结果与实际结果存在偏差。基于深度学习的图像分割网络对辅助诊断食管癌肿瘤具有重要意义。因食管在整体胸部CT影像中所占的区域较小且对比度较低，传统的图像分割网络难以准确地确定食管癌肿瘤的区域。为精准分割医学CT影像中的食管癌肿瘤，提出图像分割网络Concat-UNet。基于U-Net网络，采用编码解码模式的U型对称架构对网络中的卷积模块进行改进，并引入跳跃连接和批量归一化层，将卷积模块的原始输入与提取特征后的输出进行特征融合，以增强网络的特征提取能力。在此基础上，采用BCEWithLogits与Dice损失函数相结合的方式联合训练网络。实验结果表明，相比SegNet、ERFNet、U-Net等网络，Concat-UNet在食管癌数据集上的检测精确率为91.87%，相比基准网络U-Net提升了11.64个百分点，具有较优的分割效果。

来源：2022年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第12期