基于全局注意力引导的肺结节分割方法

作     者：程奕鑫 蔡磊 陈曙光 高敬阳 CHENG YiXin;CAI Lei;CHEN ShuGuang;GAO JingYang

作者机构：北京化工大学信息科学与技术学院北京100029 

出 版 物：《北京化工大学学报（自然科学版）》 (Journal of Beijing University of Chemical Technology(Natural Science Edition))

年 卷 期：2021年第48卷第4期

页      面：86-95页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：北京市自然科学基金(5182018) 

主　　题：肺结节分割 注意力 深度学习 卷积长短期记忆网络(ConvLSTM) 

摘      要：肺结节的精确分割能有效地辅助医生的治疗诊断工作,但由于不同患者所呈现的肺结节病灶形式多种多样,基于传统专家系统和统计学习的方法难以获得准确的肺结节分割结果。针对这种情况,提出一种由全局注意力引导的注意力机制,达到了从一张完整的胸部影像切片中自动定位并分割出肺结节的效果。该方法首先对目标区域进行肺实质分割,再利用区域建议网络(region proposal network, RPN)进一步缩小感兴趣区域,并生成注意力权重图,最后使用融合了残差网络(residual network, ResNet)与卷积长短期记忆网络(convolutional long short-term memory, ConvLSTM)的结构结合注意力权重进行肺结节分割。将所提方法在肺图像数据库联盟(lung image database consortium, LIDC-IDRI)数据集上进行了全面的评估,结果表明,本文方法分割结果的平均dice得分(标准差)为89.97%(8.9%),具有出色的分割性能,精度相较其他方法取得一定提升。进一步在相同数据集上将所提方法的肺结节分割结果与4位放射科医生的手工标注结果进行了比较,结果表明本文方法的分割结果与医生们的标注结果的一致性达到了85.81%,相较于医生们手工标注之间的一致性高出了3.39%。