换一批摘要肝脏CT成像是肝脏肿瘤检查的主要影像学手段,肝脏肿瘤的大小、形状、位置等个体差异较大,病灶组织区域的灰度特征复杂,导致肝脏肿瘤图像分割十分困难.基于深度学习的U-Net在医学图像分割方面已取得很多进展,因此该研究拟在U-Net的基础上,针对肝脏肿瘤分割的特点进行改进,建立一种用于肝脏肿瘤分割的方法.针对肝脏肿瘤分割中存在的问题,在U-Net的基础上,引入残差模块和注意力机制对U-Net进行改进,在特征学习方面采用组归一化策略对特征图进行通道划分,以提高深层网络的学习能力,提高模型的泛化能力.该研究在CodaLab 提供的 LiTS2017 肝脏肿瘤图像分割挑战数据集上测试了该分割网络,结果显示Dice系数达到0.773,高于其他图像分割网络,精确值达到0.983,召回率为0.637,结果表明RA-U-Net模型分割图像的效果更好,为肝脏肿瘤临床诊断提供了可靠的依据.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1674-1242.2025.05.001
发布时间
2025-12-25（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
