2023年无线电工程第53卷第1期161doi:10．3969/j．issn．1003－3106．2023．01．021引用格式:张秀峰，李永鑫，王苇，等．生成对抗网络磨玻璃样肺结节分割方法［J］．无线电工程，2023，53(1):161－167．［ZHANGXiufeng，LIYongxin，WANGWei，etal．AGenerativeAdversarialNetworkforGroundGlassPulmonaryNoduleSegmentation［J］．ＲadioEngineering，2023，53(1):161－167．］生成对抗网络磨玻璃样肺结节分割方法张秀峰1，李永鑫1，王苇2，瞿航2*(1．大连民族大学机电工程学院，辽宁大连116600;2．扬州大学附属医院影像科，江苏扬州225009)摘要: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-GlassNodules，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(GenerativeAdversarialNetwork，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(IntersectionoverUnion，IoU)为0.876，像素精确度(PixelAccuracy，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。关键词:磨玻璃样肺结节;生成对抗网络;图像分割;医学图像中图分类号:TP391文献标志码:A开放科学(资源服务)标识码(OSID):文章编号:1003－3106(2023)01－0161－07AGenerativeAdversarialNetworkforGroundGlassPulmonaryNoduleSegmentationZHANGXiufeng1，LIYongxin1，WANGWei2，QUHang2*(1．CollegeofMechanicalandElectronicEngineering，DalianMinzuUniversity，Dalian116600，China;2．DepartmentofImaging，AffiliatedHospitalofYangzhouUniversity，Yangzhou225009，China)Abstract:Oneoftheimagingmanifestationsofearlylungcancerispulmonarynodule，andGround-GlassNodules(GGNs)areconsideredtobeakindofpulmonarynodulewiththegreatestpossibilityofmalignanttransformation．IndiagnosticCTimages，GGNshavesomeproblemsthataffectthesegmentationaccuracy，suchasblurrededges，differentsizesandshapes，andirregularshapes．Aimingattheproble...
