8《电视技术》第47卷第1期(总第566期)PARTS&DESIGN器件与设计文献引用格式：林培阳，郑茜颖.基于U-Net改进的肺部轮廓与新冠病灶分割网络[J].电视技术，2023，47（1）：8-15.LINPY，ZHENGQY.ImprovedlungcontourandlungCOVID-19lesionssegmentationnetworkbasedonU-Net[J].VideoEngineering，2023，47（1）：8-15.中图分类号：TP311.5文献标识码：ADOI：10.16280/j.videoe.2023.01.003基于U-Net改进的肺部轮廓与新冠病灶分割网络林培阳，郑茜颖*（福州大学物理与信息工程学院，福建福州350108）摘要：针对肺部新冠病灶在医学成像中具有大小不均匀、多集中于肺部边缘且灰度与胸腔灰度相近的特点，提出一种基于U-Net改进的用于肺部轮廓分割和新冠病灶分割的网络模型。所提出的方法采用加深的编解码路径，使用带有残差连接的编码器子模块代替原始U-Net的标准卷积单元。为了提高高级特征的表征能力，在编码器和解码器中间加入自注意力机制，来学习特征的内在关系。整理一个用于分割训练的数据集，共2973张新冠肺炎患者的肺部CT图片。实验结果表明，所提出的网络在肺部轮廓分割实验的Dice系数和F1系数分别达到了98.70%和98.89%，在新冠病灶分割实验中分别达到了87.47%和87.81%，优于其他对比模型。关键词：深度学习；医学图像分割；U-Net；自注意力机制ImprovedLungContourandLungCOVID-19LesionsSegmentationNetworkBasedonU-NetLINPeiyang,ZHENGQianying*(CollegeofPhysicsandInformationEngneering,FuzhouUniversity,Fuzhou350108,China)Abstract:InviewofthecharacteristicsofthelungCOVID-19lesionsinmedicalimaging,whichareuneveninsize,mostlyconcentratedonthelungedge,andwhosegraylevelissimilartothatofthechest,thispaperproposesanimprovedlungcontourandlungCOVID-19lesionssegmentationnetworkbasedonU-Net.Theproposedmethodadoptsadeeperencodinganddecodingpath,andusesanencoderwithresidualconnectiontoreplacethestandardconvolutionunitoftheoriginalU-Net.Inordertoimprovetherepresentationabilityofhigh-levelfeatures,weaddaself-attentionmechanismbetweenencoderanddecodertolearntheintrinsicrelationshipoffeatures.Wecollatedadatasetforsegmentationtraining,with2973lungCTimagesofCOVID-19patients.TheexperimentalresultsshowthattheDicecoefficientandF1scoreoftheproposednetworkreached98.70%and98.89%inthelungc...
