基于3D残差U-Net的肺CT血管分割算法研究.pdfVIP

基于3D残差U-Net的肺CT血管分割算法研究

摘要

近年来，肺部组织疾病的发病率和致死率越来越高。随着医学成像技术的不断发展，

计算机断层扫描技术（ComputedTomography,CT）被广泛应用于肺部组织疾病诊断，它

可以辅助医生进行及时诊断及治疗，有效提高疾病的治愈率、降低其死亡率。其中，肺

血管分割是AI在肺部组织疾病诊断和手术规划中的关键性应用。随着计算机性能的大

幅提升，采用基于深度学习的医学图像分割方法进行肺血管的自动化标记，相较人工标

记具有效率高、成本低、准确性高等优势，是医学图像发展的趋势。这类方法以U-Net

应用最为广泛。但是，肺CT图像因其自身的成像特点，存在图像噪音信息多、对比度

低和分割目标小等问题。因此，基于U-Net的医学图像分割方法的特征表达能力有限，

从而导致肺血管分割精度较低。综上所述，肺血管的准确分割仍然是一项非常具有挑战

性的任务。对此，本文以三维肺CT扫描数据为研究对象，针对传统模型特征提取能力

弱和小血管分割精度低的问题，提出两个改进模型。本文的主要工作和创新点如下：

（1）提出一种基于轻量级3D注意力的双路径U-Net肺血管分割算法—DP-U-Net。

为了可以在加深网络结构的同时避免模型过拟合及无法收敛的问题，本文以3D

ResUNet为骨干网络。其次，为了增强网络的特征提取能力，辅助主干网络捕获更多的

有效特征，本文在编码器路径中添加了一条并行的分支，即5mm体数据特征提取分支，

以5mm体数据的特征来辅助主干网络2mm体数据的特征提取过程。该方案通过综合利

用多视图数据的信息互补优势，来获得网络对肺血管特征的最优表述。最后，为了强化

血管位置因素的权重，避免直接使用跳层连接带来的语义鸿沟问题，本文采用可拆分卷

积替代常规卷积计算3DSpatialAttention，提出了AxialAttention模块。该模块可以在保

证分割精度的同时，大大减少参数量。在训练阶段，为了使得每一层网络都能得到更加

充分的训练，本文采用深监督训练策略来调整每一层网络的参数，保证每一层都能学到

最优的特征表示。通过实验证明，本方法的各个评价指标均优于其它经典的医学图像分

割方法。

（2）提出一种基于迁移学习的多尺度交互U-Net肺血管分割算法—MSI-U-Net。

针对小血管分割精度低的问题，本文提出了MSI-U-Net。在MSI-U-Net中，为了增

强小血管的表征能力，本文将小尺度、中尺度和大尺度的血管分别置于三个Decoder分

支中进行处理。其次，由于Encoder编码特征中具有多种尺度的血管信息，为了缓解利

用跳层连接结构融合特征时引入过多噪音信息的问题，本文采用空间注意力机制设计了

跨层融合模块。此外，本文还在三个Decoder分支中设计了多尺度信息交互策略，旨在

以迁移学习为理论基础，增强多尺度血管在肺CT影像中的相关性。最后，在训练阶段，

由于三个分支的训练目标不同，本文设计了尺度引导式监督策略。该策略用于解决多尺

度血管分类不一致的问题，从而有效减小分割误差。另外，本文还使用特征传递代替卷

积参数共享实现多尺度信息交互策略，提出了MLCI-U-Net。实验结果表明，上述两种

方法在小血管分割方面具有较高的准确性。

关键词：肺血管分割，深度学习，多视图数据，注意力机制，迁移学习，多尺度信

息交互

ResearchonPulmonaryVesselSegmentationAlgorithmin

CTImagesBasedon3DResidualU-Net

Abstract

Inrecentyears,themorbidityandmortalityoflungtissuediseasesareincreasing.With

thecontinuousdevelopmentofmedicalimagingtechnology,CTiswidelyusedinthediagnosis

oflungtissuediseases.Itcanassistdoctorsintimelydiagnosisandtreatment,andim