生成对抗网络磨玻璃样肺结节分割方法

早期肺癌在影像学的表现形式之一是肺结节,其中磨玻璃样肺结节(Ground-Glass Nodules, GGNs)被认为是恶变可能性最大的肺结节之一。在诊断性CT图像上GGNs存在边缘模糊、大小形状各异、不规则等影响分割精度的问题。针对GGNs形态复杂、分割精确度欠佳的问题,提出了一种生成对抗式网络(Generative Adversarial Network, GAN)——GAN-DeepLabv3+,将DeepLabv3+作为图像分割生成器网络,通过引入编解码器结构,将深度可分离卷积应用到空洞空间卷积池化金字塔和解码器模块上,通过对抗式训练,最终获得GGNs病灶分割模型。实验结果证明,在对GGNs患者的CT医学图像的分割中,所提方法Dice系数为0.952,交并比(Intersection over Union, IoU)为0.876,像素精确度(Pixel Accuracy, PA)为0.991,相较于原始DeepLabv3+和ACRU-Net等现有方法,对GGNs均有一定的提升。