基于多尺度特征选择网络的新冠肺炎CT图像分割方法

目的 改进U-Net图像分割算法,探讨多尺度特征提取对新冠肺炎 CT图像分割应用的价值.方法 利用 Python编程语言和 tensorflow和keras深度学习框架,在U-Net基线网络结构基础上,结合空洞空间卷积池化金字塔和高效通道注意力机制设计多尺度特征选择模块,提出改进后的多尺度特征选择网络(MsFS-Net),在 COVID-19-20 公开数据集上进行实验验证,使用 5 折交叉验证方法,对比 U-Net、DeepLabV3+和 Attention U-Net 3 个网络模型,评测指标包括 Dice、Recall、Pre-cision,并绘制训练曲线图和可视化分割结果图.结果 计算 Dice、Recall、Precision 3 项评测指标在 5 折交叉验证中的平均值和标准差,MsFS-Net的指标分别为(85.05±0.25)％,(85.33±0.20)％,(85.10±0.30)％,相比U-Net网络提升效果显著,平均值分别提升 5.89％、5.71％、5.30％,标准差更小,训练曲线平滑稳定,对小病灶和不规则病灶的分割效果优于其他模型,模型鲁棒性更好.结论 基于多尺度特征选择的图像分割方法具有高性能、高准确率的特点,在新冠肺炎图像自动分割中具有应用价值.