结合多分支结构与自注意力机制的医学图像分割模型及其应用

闫 超，孙占全，田恩刚，胡川飞

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

随着医疗科学技术的快速发展，医学影像成为医生了解和分析病情的重要参考信息，在诊断疾病、评估治疗等方面发挥着重要作用.医学图像分割是将医学图像中具有特殊含义的区域分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断，是对医学图像进行对象提取、定量分析以及三维重构等处理中一个必不可少的阶段[1].由于不同医学图像形态各异、结构复杂，且同一组织图像的强度、颜色或纹理等特征类似，难以区分.因此，从医学影像中识别病变组织的像素点，获取这些病变部位的信息特征具有一定的技术难度[2].传统自动分割的方法主要包括基于图谱的方法[3-5]、基于形变模型的方法[6]、基于主动表观模型的方法[7-9].这种依靠配准的分割方法需要过多的人机交互过程来完成目标特征的提取，自我学习能力较弱，当面对差异较大或者形态复杂的图像时，分割精度和效率上不是很理想[10].

近年来，计算机硬件性能迅速提高，基于卷积神经网络的深度学习方法应运而生，例如AlexNet[11]，DeepLab[12]，GoogLeNet[13]，ResNet[14]和DenseNet[15]，这些网络以其强大的特征提取能力被广泛地运用在视觉识别任务中.在医学图像分割方面，加州大学伯克利分校的Long等人提出的全卷积网络(Fully Convolutional Network，FCN)[16]以AlexNet网络结构为基础，将全连接层全部转化为卷积层，使得输入图像尺寸不……