摘要
肝癌是全球最普遍的癌症之一，严重危害着人们的生命和健康，早期的筛查和治疗可以有效降低癌症的发病率和病死率。当前，检查肝脏肿瘤最常用的方式是计算机断层扫描（Computed Tomography，CT）。对于治疗肿瘤，最主要的手段有肿瘤切除、介入治疗和放射治疗。术前详尽地获知肿瘤的数目和尺寸等信息，对于手术方案的科学制定意义重大。因此，在进行肝脏肿瘤治疗之前确保其精准分割至关重要。 目前肝脏肿瘤的分割存在多个难点：肝脏邻近区域分布着许多器官和血管；肝脏肿瘤的位置、大小和形状非常复杂，边界也不清晰且灰度不均匀。在医疗诊断中，人工分割需要投入大量时间和精力，且结果也许不一致。半自动分割方法需要人工干预，其效果会受个人经验和主观性的影响。当前，在医学图像分割领域已广泛使用深度学习技术，本文基于U-Net网络框架进行研究。 针对传统U-Net网络信息提取不充分、分割精度低等问题，提出了基于改进U-Net的肝脏分割方法。首先，在U-Net编码阶段使用混合空洞卷积替换原有卷积块，扩大感受野、提取更多的上下文信息；在解码阶段采用密集上采样卷积，捕获和解码更详细的信息；引入残差模块，加速模型的训练并防止网络退化。其次，在每个跳跃连接之间加入注意力机制（CBAM），使模型重点关注感兴趣区域的特征信息，并结合Focal Tversky损失函数以改善类不平衡问题。通过LiTS2017数据集的实验表明，相较于传统U-Net，所提方法在肝脏分割中Dice指标提升了3.56%，召回率提升了3.71%，精确率提升了2.76%。 针对CT图像中小尺寸肝脏肿瘤区域的特征学习，提出了基于改进UNet3+的肝脏肿瘤分割方法：在UNet3+的编码阶段引入感受野模块，增强特征提取能力；在解码阶段使用数据相关型上采样（DUpsampling）代替原始上采样方式，恢复更精细的图像特征信息；在跳跃连接之间加入规范化注意力机制（NAM），使模型重点关注目标区域的特征，抑制冗余特征；最后使用交叉熵和Dice结合的混合损失函数，改善类别不均衡问题，提升网络的收敛性能。通过LiTS2017数据集的实验表明，相较于原始UNet3+，所提方法在肝脏肿瘤分割中Dice指标提升了4.05%，召回率提升了2.83%，精确率提升了3.92%。
NETL