融合多尺度特征和双分支并行的肺结节图像分割网络.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

2025,34(4):166−174

[doi:

10.15888/ki.csa.009832]

[CSTR:

32024.14.csa.009832]

©中国科学院软件研究所版权所有.Tel:

+86-10

融合多尺度特征和双分支并行的肺结节图像分割

网络①

王超学,

王磊

(西安建筑科技大学

信息与控制工程学院,

西安

710055)

通信作者:

王磊,

E-mail:

wanglei1998531@163.com

摘要:

肺结节图像的准确分割对于肺癌的早期诊断具有重要意义,

针对肺结节图像尺度多样、边缘模糊导致特征

提取不充分和细节信息丢失问题,

本文提出一种融合多尺度特征和双分支并行的肺结节图像分割网络RAVR-UNet.

首先,

针对U-Net网络在编码阶段无法充分提取肺结节特征,

采用双分支并行特征聚合网络提取肺结节图像中的特

征信息,

减少特征编码时的信息损失.

其次,

通过引入Agent_ViT模块,

在保持线性计算的基础上,

增强全局信息建

模能力.

然后,

为恢复下采样期间丢失的肺结节空间信息,

在解码阶段加入多尺度特征融合模块.

最后,

设计混合损

失函数以缓解肺结节图像分割任务中正负样本不平衡问题.

在LIDC-IDRI公开数据集上的实验结果表明,

所提网

络的相似系数、交并比分别达到93.15%、87.63%,

优于主流肺结节分割算法且分割结果更接近真实值.

关键词:

肺结节图像分割;

多尺度特征融合;

U-Net;

ViT;

代理注意力

引用格式:

王超学,王磊.融合多尺度特征和双分支并行的肺结节图像分割网络.计算机系统应用,2025,34(4):166–174.

/

1003-3254/9832.html

PulmonaryNoduleImageSegmentationNetworkIntegratingMulti-scaleFeaturesand

Dual-branchParallelism

WANG

Chao-Xue,

WANG

Lei

(School

of

Information

and

Control

Engineering,

Xi’an

University

of

Architecture

and

Technology,

Xi’an

710055,

China)

Abstract:

Accurate

image

segmentation

of

pulmonary

nodules

is

of

great

significance

for

the

early

diagnosis

of

lung

cancer.

To

solve

the

problem

of

insufficient

feature

extraction

and

detail

loss

caused

by

multiple

scales

and

blurred

edges

of

pulmonary

nodules

image,

this

study

proposes

a

pulmonary

nodule

image

segmentation

network

named

RAVR-UNet,

which

incorporates

multi-scale

features

and

double-branch

parallel.

Firstly,

given

the

inability

of

the

U-Net

network

to

fully

extract

pulmonary

nodule

features

in

the

coding

stage,

a

double-branch

parallel

feature

aggregation

network

is

used

to

extract

the

feature

information

from

pulmonary

nodule

images

to

reduce

the

information

l