基于改进UNet的CT图像分割方法

针对UNet以及UNet变体网络在CT图像分割任务中的输入是CT图像序列中的单张切片，或者单张切片的多视图图像，且没有考虑CT图像序列之间的特征关系，提出了一种新型的CSI-UNet肺结节分割网络。该网络以多张连续CT图像切片作为输入，充分考虑了分割目标切片与相邻切片之间的特征。CSI-UNet模型对UNet的编码器进行改进，使之能接受连续的多张CT图像切片，在跳跃连接结构中，引入新提出的独立通用的连续切片层融合模块CSF-Block来完成特征提取和概率融合，从而得到更精准的分割结果。实验中利用LUNA16肺结节分割公开数据集，对该网络和UNet模型进行训练和验证。最后，使用Dice系数和MIoU对分割结果进行评估。在测试集上，UNet模型中Dice系数和均交并比分别能达到79.59%、78.81%，CSI-UNet模型分别能达到85.56%、84.72%。实验结果表明，CSI-UNet可以准确分割出胸部CT图像上的结节区域。