用于肺部病灶图像分割的多尺度稠密融合网络

针对主流的深度学习网络难以完整分割肺部病灶、区域边界预测模糊的问题,提出一种基于U-Net的多尺度稠密融合网络（MDF-Net）。首先,引入多分支密集跳层连接以捕获多级上下文信息,并在网络末端引入信息加权融合（IWF）模块进行逐级融合,以解决网络中的特征损失问题;其次,设计一种自注意力金字塔模块,使用各金字塔层对特征图进行不同规模的切分处理,并使用自注意力机制计算像素关联度,从而增强局部与全局区域的感染特征显著性;最后,设计一种区别于传统U-Net的上采样模式的上采样残差（UR）模块,多分支的残差结构与通道特征激励使网络能够还原更加丰富的微小病灶特征。在两个公开数据集上的实验结果显示,与UNeXt相比,所提网络的准确度（ACC）分别提升了1.5%和1.4%,平均交并比（MIoU）分别提升了3.9%和1.9%,实验结果验证了MDF-Net具有更好的肺部病灶分割性能。