基于多尺度UNet的肾脏CT图像分割

肾脏图像分割对于肾脏疾病的评估以及临床诊断具有重要意义。但传统的肾脏图像分割方法难以对肾脏组织进行精准分割。为了解决上述问题，提出一种结合多尺度UNet模型和分水岭后处理的方法，用于肾脏CT图像的自动分割。多尺度UNet模型的下采样层融合了Inception模块，同时对采样层加入残差块，以有效提取和融合CT图像中多尺度特征，提高了分割准确度。同时，通过一系列分水岭后处理步骤，对模型分割结果进行优化。实验采用grand-challenge中的KITS19数据集。算法实验结果在MIoU(Mean Intersection over Union)和MDSC(Mean Dice Similarity Coefficient)评估指标上得到一定的提高，分别达到了93.37%和99.88%。该算法在与主流的6个方法对比中有一定的优势，能够为肾脏疾病的临床诊断提供更准确的肾脏结构组织信息。