基于双注意力的肺癌半监督学习分割网络

肺癌计算机断层扫描(computed tomography, CT)中对病灶的分割目前存在两个问题：一是病变区域的大小和形状差异大,二是标注数据量少。为了应对上述问题,提出一种用于肺癌分割的双注意力半监督学习网络(dual attention semi-supervised learning network, SDA-Net)。首先,在U-Net的编码阶段加入残差-密集块(residual-dense block, RDB)进行特征提取,尽可能多地保留浅层特征。其次,在编码阶段末端利用包含位置注意力和通道注意力的双注意力机制整合同一类别特征的语义相关性,增强目标的特征表达。最后,针对标注数据量少的问题,采用双路一致性半监督学习(semi-supervised learning, SSL)的方法,使得双注意力网络同时利用标注数据和未标注数据进行训练,大幅提高了网络分割的性能。测试结果表明,所提方法的Dice相似系数、杰卡德系数、灵敏度和精确度分别达到了0.843 2、0.733 1、0.809 2和0.886 1,优于当前典型的分割算法。