结合极值区域检测的血管内超声图像并行分割

目的 血管内超声（IVUS）图像动脉壁边界分割不仅对血管壁和斑块特征的定量分析至关重要,而且对血管弹性定性分析和重建动脉3维模型也是必需的。针对IVUS图像传统分割方法建模复杂、运算量大且需分别设计算法串行提取内膜和外膜的缺点,本文提出基于极值区域检测的IVUS图像并行分割方法。方法 本文方法包含极值区域检测、极值区域筛选以及轮廓拟合3部分。对单帧IVUS图像提取极值区域,经面积筛选后得到候选区域,并将区域的局部二值模式（LBP）特征、灰度差异和边缘周长的乘积作为筛选矢量在候选区域中提取代表管腔和介质的两个极值区域,并进行轮廓的椭圆拟合化,完成分割。结果 在包含326幅20 MHz的IVUS（intravascular ultrasound）B模式图像的标准公开数据集上,定性展示极值区域轮廓和椭圆拟合轮廓,并与专家手动绘制的结果进行对比;然后使用DC（dice coefficient）、JI（jaccard index）、PAD（percentage of area difference）指标以及HD（hausdorff distance）对本文算法做鲁棒性测试和泛化测试,实验中内膜各指标值分别为0.94±0.02,0.90±0.04,0.05±0.05,0.28±0.14 mm,外膜各指标值分别为0.91±0.07,0.87±0.11,0.11±0.11,0.41±0.31 mm,与相关文献的定量对比实验结果表明本文算法提取的内外膜性能均有所提高。此外,本文方法在临床数据集上的测试效果也很好,与专家手动描绘十分接近。结论 结合极值区域检测的IVUS图像并行分割,算法在精度和鲁棒性方面均得到了改善。     

深度学习结合影像组学的肝脏肿瘤CT分割

目的 从医学影像中进行肝脏与肿瘤分割是计算机辅助诊断和治疗的重要前提。常见的胸部和腹部扫描成像效果中,图像对比度偏低,边界模糊,需要医生丰富的临床解剖学知识才能准确地分割,所以精确的自动分割是一个极大的挑战。本文结合深度学习与医学影像组学,提出一种肝脏肿瘤CT（computed tomography）分割方法。方法 首先建立一个级联的2D图像端到端分割模型对肝脏和肿瘤同时进行分割,分割模型采用U-Net深度网络框架,在编码器与解码器内部模块以及编码器与解码器层次之间进行密集连接,这种多样化的特征融合可以获取更准确的全局位置特征和更丰富的局部细节纹理特征;同时融入子像素卷积与注意力机制,有利于分割出更加微小的肿瘤区域;接着生成两个用于后处理的学习模型,一个基于影像组学的分类模型用于假阳性肿瘤的去除;另一个基于3D体素块的分类模型用于分割边缘的细化。结果 实验数据来自某医院影像科300个肝癌病例CT,每个序列中的肝脏与肿瘤都是由10年以上的医学专家进行分割标注。对数据进行5倍交叉验证,敏感度（sensitivity）、命中率（positive predicted value）和戴斯系数（Dice coefficient）在验证结果中的平均值分别达到0.87±0.03、0.91±0.03和0.86±0.05,相比于性能第2的模型分别提高了0.03、0.02和0.04。结论 肝脏肿瘤CT的精确分割可以形成有价值的术前预判、术中监测和术后评价,有助于制定完善的手术治疗方案,提高肝脏肿瘤手术的成功率,且该方法不局限于肝脏肿瘤的分割,同样也适用于其他医学影像组织器官与肿瘤的分割。     

鼻咽癌原发肿瘤放疗靶区的自动分割

目的 放射治疗是鼻咽癌的主要治疗方式之一,精准的肿瘤靶区分割是提升肿瘤放疗控制率和减小放疗毒性的关键因素,但常用的手工勾画时间长且勾画者之间存在差异。本文探究Deeplabv3+卷积神经网络模型用于鼻咽癌原发肿瘤放疗靶区（primary tumor gross target volume,GTVp）自动分割的可行性。方法 利用Deeplabv3+网络搭建端到端的自动分割框架,以150例已进行调强放射治疗的鼻咽癌患者CT（computed tomography）影像和GTVp轮廓为研究对象,随机选取其中15例作为测试集。以戴斯相似系数（Dice similarity coefficient,DSC）、杰卡德系数（Jaccard index,JI）、平均表面距离（average surface distance,ASD）和豪斯多夫距离（Hausdorff distance,HD）为评估标准,详细比较Deeplabv3+网络模型、U-Net网络模型的自动分割结果与临床医生手工勾画的差异。结果 研究发现测试集患者的平均DSC值为0.76±0.11,平均JI值为0.63±0.13,平均ASD值为（3.4±2.0）mm,平均HD值为（10.9±8.6）mm。相比U-Net模型,Deeplabv3+网络模型的平均DSC值和JI值分别提升了3%~4%,平均ASD值减小了0.4 mm,HD值无统计学差异。结论 研究表明,Deeplabv3+网络模型相比U-Net模型采用了新型编码—解码网络和带孔空间金字塔网络结构,提升了分割精度,有望提高GTVp的勾画效率和一致性,但在临床实践中需仔细审核自动分割结果。     

结合全卷积网络和GrowCut的肾皮质分割算法

目的 肾脏图像分割对于肾脏疾病的诊断有着重要意义,临床上通过测量肾皮质的体积和厚度可判断肾脏是否有肿瘤、慢性动脉硬化性肾病和肾移植急性排斥反应等。现有的肾脏分割算法大多针对一种模态,且只能分割出肾脏整体。本文提出一种基于全卷积网络和GrowCut的肾皮质自动分割算法,用于多模态肾脏图像分割。方法 首先用广义霍夫变换对肾脏进行检测,提取出感兴趣区域,通过数据增强扩充带标签数据;然后用VGG-16预训练模型进行迁移学习,构建适用于肾皮质分割的全卷积网络,设置网络训练参数,使用扩充数据训练网络。最后用全卷积网络分割图像,提取最后一层卷积层的特征图得到种子点标记,结合肾脏图像的先验知识纠正错误种子点,将该标记图作为GrowCut初始种子点可实现肾皮质准确分割。结果 实验数据为30组临床CT和MRI图像,其中一组有标记的CT图像用于训练网络并测试算法分割准确性,该文算法分割准确率IU（region intersection over union）和DSC（Dice similarity coefficient）分别达到91.06%±2.34%和91.79%±2.39%。与全卷积网络FCN-32s相比,本文提出的网络参数减少,准确率更高,可实现肾皮质分割。GrowCut算法考虑像素间的邻域信息,与全卷积网络结合可进一步将分割准确率提高3%。结论 该方法可准确分割多模态肾脏图像,包括正常和变异肾脏的图像,说明该方法优于主流方法,能够为临床诊断提供可靠依据。     

应用于人体关节缺损修复的建模与可视化

目的 关节缺损疾病治疗目前存在的主要问题是缺乏精确的关节模型以及个体化的修复方案,为此提出量化关节骨缺损的精确建模与可视化方法。方法 利用骨骼图像增强、多模态影像融合、关节结构分割、关节病变结构建模与定量分析等核心关键技术,从关节CT或MRI影像中构建和恢复缺损关节的空间立体结构,为关节缺损信息提供量化参数和3维模型,从而帮助医生快速准确地对关节缺损疾病进行诊疗。结果 针对建模与可视化方法中的核心关键技术进行了深入研究,实验结果显示上述方法能够为关节缺损修复提供精确的3维量化模型。结论 基于CT、MRI影像的关节结构建模与可视化技术为评价骨缺损大小提供了精确有效的方法,在关节盂或肱骨结构等疾病的诊疗方面具有重要的临床意义,此项技术的发展对关节缺损疾病的修复发挥着重要作用。     

肺实质CT图像细化分割

目的 由于肺部CT图像中各组织结构复杂、灰度分布不均匀,造成肺实质部分难以准确分割和提取。为了提高肺实质分割的准确率,本文提出了一种基于超像素的细化分割与模糊C均值聚类相结合的自动分割算法。方法 该算法充分利用肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,它能够对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管。结果 在临床患有四类疾病的患者CT图像数据集上采用改进的图像特征,使得肺实质分割的准确率提高了0.8%。同时,算法准确率提高到99.46%。结论 实验结果表明,本文算法能够实现肺部CT图像肺实质的自动细化分割,结果准确适用。该算法鲁棒性好、速度快,是一种精确有效的自动肺实质分割方法。     

利用Kolmogorov-Smirnov统计的区域化图像分割

目的 为了在未知或无法建立图像模型的情况下,实现统计图像分割,提出一种结合Voronoi几何划分、K-S(Kolmogorov-Smirnov)统计以及M-H(Metropolis-Hastings)算法的图像分割方法.方法 首先利用Voronoi划分将图像域划分成不同的子区域,而每个子区域为待分割同质区域的一个组成部分,并利用K-S统计定义类属异质性势能函数,然后应用非约束吉布斯表达式构建概率分布函数,最后采用M-H算法进行采样,从而实现图像分割.结果 采用本文算法,分别对模拟图像、合成图像、真实光学和SAR图像进行分割实验,针对模拟图像和合成图像,分割结果精度均达到98%以上,取得较好的分割结果.结论 提出基于区域的图像分割算法,由于该算法中图像分割模型的建立无需原先假设同质区域内像素光谱测度的概率分布,因此提出算法具有广泛的适用性.为未知或无法建立图像模型的统计图像分割提供了一种新思路.     

融合T节点线索的图像物体分割

目的 图像分割是计算机视觉、数字图像处理等应用领域首要解决的关键问题。针对现有的单幅图像物体分割算法广泛存在的过分割和过合并现象,提出基于图像T型节点线索的图像物体分割算法。方法 首先,利用L0梯度最小化方法平滑目标图像,剔除细小纹理的干扰;其次,基于Graph-based分割算法对平滑后图像进行适度分割,得到粗糙分割结果;最后,借助于图像中广泛存在的T型节点线索对初始分割块进行区域合并得到最终优化分割结果。结果 将本文算法分别与Grabcut算法及Graph-based算法在不同场景类型下进行了实验与对比。实验结果显示,Grabcut算法需要人工定位边界且一次只能分割单个物体,Graph-based算法综合类内相似度和类间差异性,可以有效保持图像边界,但无法有效控制分割块数量,且分割结果对阈值参数过分依赖,极易导致过分割和过合并现象。本文方法在降低过分割和过合并现象、边界定位精确性和分割准确率方面获得明显改进,几组不同类型的图片分割准确率平均值达到91.16%,明显由于其他算法。处理图像尺寸800×600像素的图像平均耗时3.5 s,较之其他算法略有增加。结论 与各种算法对比结果表明,该算法可有效解决过分割和过合并问题,对比实验结果验证了该方法的有效性,能够取得具有一定语义的图像物体分割结果。     

基于超像素的多主体图像交互分割

目的 为解决多主体图像的交互分割问题,在保证分割效果的前提上,提高分割的效率,达到实时交互修改分割结果的目的, 提出基于超像素的图像多主体交互分割算法.方法 基于图像的超像素构造一个多层流网络,利用用户交互绘制的简单笔画给出多主体分割的指导信息.流网络的边权值保证利用图割算法将图像分割成多个部分后,每个部分代表图像的一个主体.允许用户交互给出标记,实时修改分割结果,直到得到满意的多主体分割.结果 通过实验显示,本文方法能得到的满意多主体分割结果,而且时间效率较高.对分辨率为449×275的图像,算法能在1 s内给出结果,满足实时修改的要求.结论 基于超像素建立的图规模较小,能大大减少图割算法的运行时间,达到用户实时交互添加新笔画信息,交互地修正分割结果的目的.利用超像素的边界信息,用户只需输入比较简单的笔画信息,分割算法就能得到正确的多主体分割结果.     

Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法

目的 红外弱小目标检测是红外图像处理领域中难度大且实际意义相当重要的一项研究热点问题,其在侦察预警系统、飞行器跟踪系统与导弹制导系统中都扮演了十分重要的角色。自然背景下的红外图像一般具有较低信噪比,其中背景占据着绝大部分面积,而目标尺寸很小且不具有明显形状和纹理信息,这为红外图像中弱小目标的检测增加了难度。本文提出一种将Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法。方法 首先利用Facet模型提取原红外图像在0°、90°、45°和-45° 4个方向上的一阶导数特征,然后通过稀疏表示方法,在方向导数信息基础上对图像进行分块逐一处理,利用求解出的稀疏系数和导数图像块的重建残差构建检测数值图,最后分割出小目标所在具体位置。结果 通过对4组不同红外图像序列进行实验验证,绘制了检测率与虚警率ROC曲线图。从结果可以看出,本文算法相较于对比算法在小目标检测中具有较高检测率。结论 本文算法将Facet方向导数特征与稀疏表示相结合,在红外弱小目标检测上具有较高检测精度和较强抗噪声干扰能力,相比于传统检测算法具有一定优势,同时可根据不同检测背景训练出相应背景字典,从而得到较好检测效果,在实际工程应用中具有良好针对性。     

应用于人体关节缺损修复的建模与可视化方法研究

关节缺损疾病治疗目前存在的主要问题是缺乏精确的关节模型以及个体化的修复方案。通过建模与可视化技术能够从关节CT或MRI影像中构建和恢复缺损关节的空间立体结构,能够为关节缺损信息提供量化参数和三维模型,从而帮助医生快速准确地对关节缺损疾病进行诊疗。该方法在关节盂或肱骨结构等疾病的诊疗方面具有重要的临床意义。本文深入研究了基于CT、MRI影像的关节结构建模与可视化的核心关键技术,针对骨骼图像预处理、结构分割与测量、建模与可视化等技术进行了深入探讨与分析,并对关节缺损修复建模技术的发展及应用进行了展望。     

融合跨阶段深度学习的脑肿瘤MRI图像分割

目的 磁共振成像(magnetic resonance imaging, MRI)作为一种非侵入性的软组织对比成像方式,可以提供有关脑肿瘤的形状、大小和位置等有价值的信息,是用于脑肿瘤患者检查的主要方法,在脑肿瘤分割任务中发挥着重要作用。由于脑肿瘤本身复杂多变的形态、模糊的边界、低对比度以及样本梯度复杂等问题,导致高精度脑肿瘤MRI图像分割非常具有挑战性,目前主要依靠专业医师手动分割,费时且可重复性差。对此,本文提出一种基于U-Net的改进模型,即CSPU-Net(cross stage partial U-Net)脑肿瘤分割网络,以实现高精度的脑肿瘤MRI图像分割。方法 CSPU-Net在U-Net结构的上下采样中分别加入两种跨阶段局部网络结构(cross stage partial module, CSP)提取图像特征,结合GDL(general Dice loss)和WCE(weighted cross entropy)两种损失函数解决训练样本类别不平衡问题。结果 在BraTS (brain tumor segmentation) 2018和BraTS 2019两个数据集上进行实...     

面向乳腺超声图像分割的混合监督双通道反馈U-Net

目的 基于超声图像的乳腺病灶分割是实现乳腺癌计算机辅助诊断和定量分析的基本预处理步骤。由于乳腺超声图像病灶边缘通常较为模糊,而且缺乏大量已标注的分割图像,增加了基于深度学习的乳腺超声图像分割难度。本文提出一种混合监督双通道反馈U-Net（hybrid supervised dual-channel feedback U-Net,HSDF-U-Net）算法,提升乳腺超声图像分割的准确性。方法 HSDF-U-Net通过融合自监督学习和有监督分割实现混合监督学习,并且进一步通过设计双通道反馈U-Net网络提升图像分割准确性。为了改善标记数据有限的问题,首先在自监督学习框架基础上结合标注分割图像中的标签信息,设计一种边缘恢复的辅助任务,以实现对病灶边缘表征能力更强的预训练模型,然后迁移至下游图像分割任务。为了提升模型在辅助边缘恢复任务和下游分割任务的表现,将循环机制引入经典的U-Net网络,通过将反馈的输出结果重新送入另一个通道,构成双通道编码器,然后解码输出更精确的分割结果。结果 在两个公开的乳腺超声图像分割数据集上评估HSDF-U-Net算法性能。HSDF-U-Net对Dataset B数据集中的图像进行分割获得敏感度为0.848 0、Dice为0.826 1、平均对称表面距离为5.81的结果,在Dataset BUSI（breast ultrasound images）数据集上获得敏感度为0.803 9、Dice为0.803 1、平均对称表面距离为6.44的结果。与多种典型的U-Net分割算法相比,上述结果均有提升。结论 本文所提HSDF-U-Net算法提升了乳腺超声图像中的病灶分割的精度,具备潜在的应用价值。     

深度迭代融合的脑部磁共振图像颅骨去除网络

目的 去除颅骨是脑部磁共振图像处理和分析中的重要环节。由于脑部组织结构复杂以及采集设备噪声的影响导致现有方法不能准确分割出脑部区域,为此提出一种深度迭代融合的卷积神经网络模型实现颅骨的准确去除。方法 本文DIFNet（deep iteration fusion net）模型的主体结构由编码器和解码器组成,中间的跳跃连接方式由多个上采样迭代融合构成。其中编码器由残差卷积组成,以便浅层语义信息更容易流入深层网络,避免出现梯度消失的现象。解码器网络由双路上采样模块构成,通过具有不同感受野的反卷积操作,将输出的特征图相加后作为模块输出,有效还原更多细节上的特征。引入带有L2正则的Dice损失函数训练网络模型,同时采用内部数据增强方法,有效提高模型的鲁棒性和泛化能力。结果 为了验证本文模型的分割性能,分别利用两组数据集与传统分割算法和主流的深度学习分割模型进行对比。在训练数据集同源的NFBS（neurofeedback skull-stripped）测试数据集上,本文方法获得了最高的平均Dice值和灵敏度,分别为99.12%和99.22%。将在NFBS数据集上训练好的模型直接应用于LPBA40（loni probabilistic brain atlas 40）数据集,本文模型的Dice值可达98.16%。结论 本文提出的DIFNet模型可以快速、准确地去除颅骨,相比于主流的颅骨分割模型,精度有较高提升,并且模型具有较好的鲁棒性和泛化能力。     

Intra-articular kinematics of the normal glenohumeral joint in the late preparatory phase of throwing: Kaltenborn's rule revisited

A new method to quantify intra-articular relationships between articular surfaces of the glenohumeral joint during discrete poses representing the late preparatory phase of throwing is presented. This method is based on 3D bone reconstructions from medical imaging data processed into finite helical axis parameters. With the shoulder moving in the anatomical planes from 90° abduction and 90° external rotation into the apprehension test pose, the centre of the humeral head posteriorly translated on the glenoid and rotated about a finite helical axis, which was positioned at the joint contact. The data are contrasted with Kaltenborn's convex-concave rule explaining intra-articular kinematics of the glenohumeral joint as a ball-and-socket joint. The data show at all conditions that the glenohumeral joint does not act as a ball-and-socket joint. Consequently, the mobilization techniques used in manual therapy, which are based on this convexconcave rule, should be adapted.     

2D级联CNN模型的放疗危及器官自动分割

目的 精准的危及器官（organs at risk,OARs）勾画是肿瘤放射治疗过程中的关键步骤。依赖人工的勾画方式不仅耗费时力,且勾画精度容易受图像质量及医生主观经验等因素的影响。本文提出了一种2D级联卷积神经网络（convolutional neural network,CNN）模型,用于放疗危及器官的自动分割。方法 模型主要包含分类器和分割网络两部分。分类器以VGG（visual geometry group）16为骨干结构,通过减少卷积层以及加入全局池化极大地降低了参数量和计算复杂度;分割网络则是以U-Net为基础,用双线性插值代替反卷积对特征图进行上采样,并引入Dropout层来缓解过拟合问题。在预测阶段,先利用分类器从输入图像中筛选出包含指定器官的切片,然后使用分割网络对选定切片进行分割,最后使用移除小连通域等方法对分割结果进一步优化。结果 本文所用数据集共包含89例宫颈癌患者的腹盆腔CT（computed tomography）图像,并以中国科学技术大学附属第一医院多位放射医师提供的手工勾画结果作为评估的金标准。在实验部分,本文提出的分类器在6种危及器官（左右股骨、左右股骨头、膀胱和直肠）上的平均分类精度、查准率、召回率和F1-Score分别为98.36%、96.64%、94.1%和95.34%。基于上述分类性能,本文分割方法在测试集上的平均Dice系数为92.94%。结论 与已有的CNN分割模型相比,本文方法获得了最佳的分割性能,先分类再分割的策略能够有效地避免标注稀疏问题并减少假阳性分割结果。此外,本文方法与专业放射医师在分割结果上具有良好的一致性,有助于在临床中实现更准确、快速的危及器官分割。     

Intra-articular kinematics of the normal glenohumeral joint in the late preparatory phase of throwing: Kaltenborn's rule revisited

A new method to quantify intra-articular relationships between articular surfaces of the glenohumeral joint during discrete poses representing the late preparatory phase of throwing is presented. This method is based on 3D bone reconstructions from medical imaging data processed into finite helical axis parameters. With the shoulder moving in the anatomical planes from 90 degrees abduction and 90 degrees external rotation into the apprehension test pose, the centre of the humeral head posteriorly translated on the glenoid and rotated about a finite helical axis, which was positioned at the joint contact. The data are contrasted with Kaltenborn's convex-concave rule explaining intra-articular kinematics of the glenohumeral joint as a ball-and-socket joint. The data show at all conditions that the glenohumeral joint does not act as a ball-and-socket joint. Consequently, the mobilization techniques used in manual therapy, which are based on this convex concave rule, should be adapted.     

融合上下文和注意力的视盘视杯分割

目的 青光眼会对人的视力造成不可逆的损伤,从眼底图像中精确地分割视盘和视杯是青光眼诊治中的一项重要工作,为有效提升视盘和视杯的分割精度,本文提出了融合上下文和注意力的视盘视杯分割方法（context attention U-Net,CA-Net）。方法 进行极坐标转换,在极坐标系下进行分割可以平衡数据分布。使用修改的预训练ResNet作为特征提取网络,增强特征提取能力。采用上下文聚合模块（context aggregation module,CAM）多层次聚合图像上下文信息,使用注意力指导模块（attention guidance module,AGM）对融合后的特征图进行特征重标定,增强有用特征;使用深度监督思想同时对浅层网络权重进行训练,同时在视杯分割网络中引入了先验知识,约束对视杯的分割。结果 在3个数据集上与其他方法进行对比实验,在Drishti-GS1数据集中,分割视盘的Dice （dice coefficient）和IOU （intersection-over-union）分别为0.981 4和0.963 5,分割视杯的Dice和IOU分别为0.926 6和0.863 3;在RIM-ONE （retinal image database for optic nerve evaluation）-v3数据集中,分割视盘的Dice和IOU分别为0.976 8和0.954 6,分割视杯的Dice和IOU分别为0.864 2和0.760 9;在Refuge数据集中,分割视盘的Dice和IOU分别为0.975 8和0.952 7,分割视杯的Dice和IOU分别为0.887 1和0.797 2,均优于对比算法。同时,消融实验验证了各模块的有效性,跨数据集实验进一步表明了CA-Net的泛化性,可视化图像也表明CA-Net能够分割出更接近标注的分割结果。结论 在Drishti-GS1、RIM-ONE-v3和Refuge三个数据集的测试结果表明,CA-Net均能取得最优的视盘和视杯分割结果,跨数据集测试结果也更加表明了CA-Net具有良好的泛化性能。     

基于改进 U-Net 的 PET-CT 双模态头颈部肿瘤分割

放射肿瘤学领域中，头颈部被认为是轮廓绘制最困难且最耗时的疾病部位之一。目前，在临床中头颈部轮廓绘制通常由人工完成，耗时且费力，因此，开发一种自动的医学图像分割方法十分必要，可在节省人力和时间的同时，避免由于不同医师的主观因素导致的诊断结果差异。该文使用正电子发射断层成像/计算机断层扫描双模态的数据对头颈部的肿瘤进行分割，利用不同模态之间的信息互补，实现了更加精确的分割。整个网络基于传统 U-Net 架构，在编码器中增加 Inception 模块，在解码器中增加 Dense 模块以及空间注意力来对网络进行改进。在头颈部肿瘤数据集上，将该模型与不同的 U-Net 架构进行对比，结果表明，该文提出的方法多个指标均较优。该网络的 Dice 相似度系数为 0.782，召回率为 0.846，Jaccard 系数为 0.675，较原始 U-Net 分别提升 6.8%、13.4% 和 9.8%；95% 豪斯多夫距离为 5.661，较原始 U-Net 下降了 1.616。对比实验结果表明，该文提出的 Inception Spatial-Attention Dense U-Net 分割模型在头颈部肿瘤数据集上有效改善了分割结果，较标准的 U-Net 具有更高的性能，提高了分割的准确率。