摘要
肺癌是我国当前发病率较高的恶性肿瘤之一，而肺结节是肺癌的早期表现形式。有研究表明，肺癌早期患者若能及时发现并进行规范治疗，术后5年生存率达60％-90％，但若诊断为晚期，即使进行了规范治疗生存率仅有15％。因此及早发现诊断肺结节对患者十分重要。目前常用的检测手段是计算机断层扫描，但是由于肺结节大小差异很大，位置和种类多种多样没有明显的规律，个体出现的病理反应也不尽相同，因此肺结节分割十分困难。将肺结节从肺实质中筛选出来需要强大的专业能力和高强度的专注力，这导致医生工作量大、压力高，漏判、误判的情况时有发生。为了解决放射科医生在手动分割肺结节过程中遇到的工作量大、分割时间长，精确分割肺结节困难等问题，基于深度学习提出肺结节分割模型，实现肺结节分割以辅助医生从肺实质中发现肺结节。 本文针对肺结节分割问题基于深度学习提出NE-U-Net肺结节分割模型。该模型在编码器中融合了 Swin Transformer模块层层提取肺结节特征，提高了模型对关键信息的提取能力，减轻无关信息对模型性能的影响。使用空洞卷积对特征图进行卷积计算，使模型感受力增强。另外，该模型使用跳跃结构连接编码器和解码器，丰富了模型结构，减少了由于特征图尺寸减少，图像分辨率降低，从而丢失信息的影响。跳越连接使模型可以进行更加深度的特征信息融合，从而避免了因不同层次之间信息不流通使模型难以整合特征的情况。最终，本文提出NE-U-Net模型，该模型利用Swin Transformer模块提取特征，使用Transformer编码部分和空洞卷积融合特征，有效提取全局特征和局部特征，实现肺结节分割。NE-U-Net模型在准确度、特异性、交并比、Dice系数指标上分别是0.9651、0.9572、0.8354、0.8971。 针对NE-U-Net模型结构复杂参数量大，联合损失函数复杂，模型收敛困难的问题。本文在NE-U-Net模型基础上对模型结构和损失函数进行改进并提出了Trn-Net模型。在模型结构方面:由于注意力机制对计算资源需求量大，Trn-Net模型通过卷积层和注意力机制共同提取特征信息，减少了注意力机制在Trn-Net模型中的占比。这样不仅简化了模型结构而且没有导致性能大幅下降。在损失函数方面:减少了组成联合损失函数的损失函数数量，由四个改为两个。引入了Tversky损失函数。将Tversky损失函数、Focal损失函数、Cross损失函数进行组合。为了寻找出最佳组合，用不同组合的损失函数对Trn-Net模型训练，对比不同组合下模型性能的高低。最终，Trn-Net模型在准确度、特异性、交并比、Dice 系数指标上分别为 0.9585、0.9375、0.8534、0.8584。 Trn-Net模型相比于NE-U-Net模型在交并比上提升了 0.02左右，在精确度、特异性、Dice系数上分别下降了 0.01、0.02、0.04左右。但是Trn-Net模型的参数量只有NE-U-Net模型参数量的三分之一。总而言之，Trn-Net模型在实现轻量化的情况下保证了模型性能没有大幅下降。
NETL