现代计算机ModernComputer第28卷第24期2022年12月25日文章编号:1007-1423（2022）24-0052-05DOI:10.3969/j.issn.1007-1423.2022.24.009基于CAMCGU-Net网络的CT图像肺实质分割算法杜佳成，余艳梅，汪恩惠，陶青川（四川大学电子信息学院，成都610065）摘要：肺癌的及时诊断和治疗能够降低肺癌病人的死亡率，目前的主要诊断方法是采用计算机断层扫描（computertomography，CT）技术，CT具有更高的分辨率和灵敏度，能够正确检测肺部中病灶位置。基于CT图像的肺实质准确分割是临床肺部疾病诊断的一个重要任务。针对肺实质分割时特征信息易丢失、前景和背景易混淆的问题，改进并提出了一种融合协调注意力和密集连接的空间卷积块的深度学习模型CAMCGU-Net（coordinateattentionmulti-levelcontextgatingU-Net）。主要改进如下：在编码器和解码器中间引入密集连接的空洞卷积块，帮助模型获取丰富多尺度特征信息，减少特征信息的丢失；在上采样后加入协调注意力（coordinateattention，CA）模块，高效整合空间坐标信息、增强目标对象的表示以提高模型对前景区域的定位能力，避免前景和背景混淆。在Kaggle肺分割数据集上的实验结果显示提出的模型得到的结果更加接近标注图像，在准确率（Accuracy，ACC）、特异性（Specificity，SP）、F1分数（F1⁃Score）等评估指标上均优于对比方法，能够更有效地分割肺实质。关键词：计算机断层扫描；肺实质分割；协调注意力0引言肺癌是我国第一大癌症，发病率较高［1］。研究发现，及时诊断和治疗能够减少肺癌病人的死亡率［2］。相比X射线，CT能准确观察到病灶位置，为早期肺癌诊断提供准确的诊断依据［3］。然而每次CT断层扫描都会生成几百帧肺CT图像，给医生诊断带来挑战。准确分割肺实质能帮助医生快速定位病灶，为后续肺结节检测、肺功能评估创造条件，辅助医生快速诊断病情。基于深度学习的肺实质分割算法速度更快，精度更高，是目前研究的热点。Ronneberger等［4］提出一种对称的编解码模型U⁃Net，编码器利用下采样缩小特征图分辨率，捕获上下文信息，解码器利用上采样恢复图像分辨率，二者用跳跃连接相连，保证解码器在上采样时能够融合更多高层特征图包含的高分辨率细节信息，目前已成为医学图像分割的主流结构。Alom等［5］提出了一种基于U⁃Net模型的递归卷积神经网络RU⁃Net和一种基于U⁃Net模型的递归残差卷积神经网络R2U⁃Net，利用递归残差卷积层增强网络提取特征的能力，增加网络深度。Asadi⁃Aghbolagh...
