基于跨通道注意力的多层特征融合U-Net用于肾脏肿瘤分割

肾肿瘤，尤其是肾细胞癌（RCC），表现出显著的异质性，给使用MRI、超声心动图和CT扫描等放射学图像的诊断带来了挑战。基于U-Net的深度学习技术正成为用于肾肿瘤微创诊断的自动医学图像分割的有前景的方法。然而，当前技术在准确性方面需要进一步改进，才能对放射科医生具有临床实用性。在本研究中，我们提出了一种改进的基于U-Net的模型，用于CT扫描图像的端到端自动语义分割，以识别肾肿瘤。该模型在卷积层之间使用残差连接，在编码器块内集成多层特征融合（MFF）和跨通道注意力（CCA），并纳入通过MFF和CCA获得的附加信息增强的跳跃连接。我们在包含210名患者数据的KiTS19数据集上评估了我们的模型。对于肾脏分割，我们的模型实现了0.97的Dice相似系数（DSC）和0.95的Jaccard指数（JI）。对于肾肿瘤分割，我们的模型实现了0.96的DSC和0.91的JI。基于可用DSC分数的比较，我们的模型优于当前领先的模型。