Attention-ResUNet 与 EfficientSASM-UNet：用于肺和结节分割的 UNet 框架

肺癌是全球主要威胁之一，具有最高的死亡率。计算机辅助检测（CAD）有助于早期检测，从而有助于提高生存率。准确的肺实质分割（包括胸膜下结节）和肺结节分割——肺癌的主要症状——对于整个肺 CAD 流程的准确性至关重要。肺结节分割极具挑战性，因为肺叶内存在多样化的结节类型和其他抑制结构。传统机器学习/深度学习方法在泛化性和鲁棒性方面存在不足。近期，视觉语言模型/基础模型在解剖层面表现良好，但在细粒度分割任务上表现不佳，且其半自动特性限制了其在实时临床场景中的有效性。在本文中，我们提出了一种用于准确三维分割肺实质和肺结节的新方法。所提出的架构是一种基于注意力的网络，在每个编码器-解码器阶段均包含残差块。编码器中的最大池化被步长卷积取代，解码器中的三线性插值被转置卷积取代，以最大化可学习参数数量。每个编码器-解码器阶段的空洞卷积使模型能够在不增加计算成本的情况下捕获更大的上下文。所提方法在一个最大的公开可用数据集 LUNA16 上进行了广泛评估，并与领域内的近期代表性工作使用标准性能指标（如 Dice 分数、交并比等）进行了比较。结果表明，所提方法优于最先进方法。源代码、数据集和预处理数据可通过以下链接获取：https://github.com/EMeRALDsNRPU/Attention-Based-3D-ResUNet。