基于改进U-Net模型的新冠肺炎图像分割

新型冠状病毒肺炎（COVID-19）自2019年爆发一直蔓延至今天，使用电子计算机断层扫描（CT）来诊断患者是否感染此病毒已经成为重要的诊疗手段。通过使用深度学习技术对肺部CT图像自动分割病变区域可以帮助医生更高效的判断患者是否感染病毒以及目前所处的病程。针对该问题，本文在U-Net模型的基础上结合残差连接，分层分裂模块（Hierarchical-SplitBlock），坐标注意力（CoordinateAttention）和特征内容感知重组（Carafe）上采样提出了一种改进的U-net模型对肺部CT图像病变区域进行分割。改进U-Net模型的Dice系数和m Iou系数分别为81.7%和76.9%，对比FCN等经典模型效果有所提升。