基于UNet++的自动分割COVID-19病灶模型在CT切片中的应用

针对肺部病变的多样性和区域分割复杂化的问题,提出了一种新的UNet++模型,包括在U-Net基础上进行了改进,主要由挤压和注意模块、空洞空间金字塔池模块、下采样、上采样、跳过连接和损失函数组成.首先,引入了挤压和注意模块来加强像素分组的注意力,充分利用全局上下文信息,让网络更好地挖掘像素之间的差异和联系.其次,设计空洞空间金字塔池模块,用于捕获COVID-19病变的多尺度信息.下采样获得高维信息,然后使用四次上采样将特征图恢复到原始大小,并使用四个跳跃连接来合并特征图.此外,广义骰子损失可以降低病变大小与骰子损失之间的相关性,从而解决小区域分割问题.使用来自不同数据集的CT扫描数据对UNet++模型进行了广泛的实验.在实验中,UNet++模型和GDL分别与典型分割模型和流行的损失函数进行了比较,实验数据表明提出的新的UNet++模型最接近黄金标准.