基于3D路径聚合高分辨率网络的胰腺分割

目的 胰腺的准确分割是胰腺癌识别和分析的重要前提。现有基于深度学习的主流胰腺分割网络大多是编码—解码结构，对特征图采用先降低再增加分辨率的方式，严重丢失了胰腺位置和细节信息，导致分割效果不佳。针对上述问题，提出了基于3D路径聚合高分辨率网络的胰腺分割方法。方法 首先，为了捕获更多3D特征上下文信息，将高分辨率网络中的2D运算拓展为3D运算；其次，提出全分辨特征路径聚合模块，利用连续非线性变换缩小全分辨率输入图像与分割头网络输出特征语义差异的同时，减少茎网络下采样丢失的位置和细节信息对分割结果的影响；最后，提出多尺度特征路径聚合模块，利用渐进自适应特征压缩融合方式，避免低分辨率特征通道过度压缩导致的信息内容损失。结果 在公开胰腺数据集上，提出方法在Dice系数（Dice similarity coefficient，DSC）、Jaccard系数（Jaccard index，JI）、精确率（precision）和召回率（recall）上相比3D高分辨率网络（3D high-resolution net，3DHRNet）分别提升了1.41%、2.09%、2.35%和0.49%，相比具有代表性编码—解码结构的胰腺分割方法，取得了更高的分割精度。结论 本文提出的3D路径聚合高分辨率网络（3D pathaggregation high-resolution network，3DPAHRNet）具有更强的特征位置和细节信息的保留能力，能够显著改善在腹部CT（computed tomography）图像中所占比例较小的胰腺器官的分割结果。开源代码可在https：//github.com/qiuchengjian/PAHRNet3D获得。

Pancreas segmentation based on 3D path aggregation high-resolution network