NUMSnet：用于三维医学图像栈多类分割的嵌套 U 网络

医学三维图像栈的语义分割可实现精确的体积重建、计算机辅助诊断及后续治疗规划。本文提出一种称为 NUMSnet 的 Unet 模型新变体，其通过嵌套层跨扫描传输像素邻域特征，以最少的训练数据实现准确的多类语义分割。我们分析了 NUMSnet 模型与若干 Unet 模型变体在仅使用每套 Lung-CT 与 Heart-CT 体积图像栈 10% 图像进行训练以分割 3–7 个感兴趣区域时的语义分割性能。与 Unet++ 模型相比，所提 NUMSnet 模型在 Lung-CT 栈的分割召回率上提升高达 20%，Dice 分数提升 4–9%，在 Heart-CT 栈的 Dice 分数提升 2.5–10%。NUMSnet 模型需以各体积栈中心扫描周围的有序图像进行训练。研究发现，Unet++ 模型 6 个嵌套层的图像特征信息传播比 Unet++ 模型中所有上采样层的传播具有更好的计算与分割性能。NUMSnet 模型在仅以低至 5% 的训练图像训练时，取得了与现有工作相当的分割性能。此外，迁移学习使 NUMSnet 模型能更快收敛，实现从 Lung-CT 图像病理到 Heart-CT 栈心脏分割的多类语义分割。因此，所提模型可用最少训练数据集标准化多种体积图像栈上的多类语义分割，从而显著降低计算机辅助检测与治疗相关的成本、时间及观察者间变异性。