16、基于注意力机制的儿科肾图新型分割网络

基于注意力机制的儿科肾图新型分割网络

一、引言

肾脏是人体最重要的排毒器官之一。患者通过静脉注射示踪剂，借助肾图监测获取左右肾脏的图像，医生需手动标记这些图像以诊断肾脏健康状况。然而，医学图像的手动标注工作十分精细，一位优秀的放射科医生每天大约只能标注 20 - 30 张肾脏图像，且随着工作量增加，标注精细度也会改变，效率和准确性明显不高。同时，儿科肾脏图像边界模糊，手动标注难度极大。

随着深度学习领域的发展，计算机辅助诊断系统（CAD）逐渐进入公众视野。在医学影像研究领域，图像语义分割凭借其出色效果和自动分割特性，能帮助医生快速定位病变位置，使医生将更多精力投入疾病分析和诊断，因此在医学影像研究中占据重要地位。但肾图分割这一领域尚未得到广泛研究。

目前市场上缺乏肾图自动标注方法。肾图图像的分割目标多集中在特定区域，形状和位置差异不大。受注意力机制启发，本文在 U - Net 基础上提出多尺度通道自选择模块和精细化跳跃连接模块，提高了肾脏图标注的准确性，降低了标注成本，加快了医学诊断速度，助力医生更准确地诊断患者。

本文主要贡献如下：
1. 基于医院提供的儿科肾图原始图像进行预处理，创建了儿科肾图数据集。
2. 提出基于注意力机制的多尺度通道自选择模块（MCS 模块）和精细化跳跃连接模块（RSC 模块），使网络能自适应选择不同尺度特征进行特征融合，提升模型分割能力。
3. 在 U - Net 基础上集成 MCS 模块和 RSC 模块，形成新的肾图分割网络，并首次将图像分割任务应用于肾图数据集。

二、相关工作

2.1 图像分割网络

语义分割是对图像中每个像素进行分类