基于深度学习的肺癌图像分割算法研究

第第页共33页基于深度学习的肺癌图像分割算法的研究摘要肺癌是发病率最高的恶性肿瘤之一，其中非小细胞癌占85%以上，大多数患者确诊时已经是中晚期，非常难以控制和治疗，死亡率常年居高不下。CT（计算机断层扫描）成像是诊断肺癌和新冠肺炎等肺部疾病的核心影像学技术，同时为术前评估提供关键依据，这项技术推动了医学影像研究的进展。深度学习技术在近年来被广泛研究并使用在医学图像处理领域，基于深度学习的图像分割技术可精准提取肺部病灶区域，通过定量化分析辅助临床诊断与治疗决策，显著提升了医学图像处理的准确性并且提高医生做出诊断和治疗决策的效率。基于以上研究背景，针对肺癌CT图像分割中存在的微小病灶漏检与类别不均衡问题，本研究提出了一种多尺度时空上下文建模方法，通过时空双维度特征增强和提升模型对复杂病灶的表征能力。设计基于U-Net架构创新性集成双路径注意力机制（空间注意力模块与通道注意力模块），有效提升分割精度与适应性。此外，将原始U-Net的上采样替换为上采样残差模块，基于残差结构降低浅层特征的信息损失。在Kaggle网站上的肺癌数据集上，改进的U-Net模型对于肺癌图像的分割效果准确率相较传统SegNet和U2R-Net模型分别提升了7.5%和4.1%，能够更加准确有效的对肺癌图像进行分割。本文除了支持肺癌的早期诊断，还将为深度学习应用于医学图像处理提供新的思路和方法。关键词：深度学习；肺癌图像分割；U-Net模型；注意力机制；上采样残差模块；医学图像处理ABSTRACTLungcancerisoneofthemalignanttumorswiththehighestincidence,ofwhichnon-smallcellcanceraccountsformorethan85%.Mostpatientsarealreadyinthemiddleandlatestageswhendiagnosed,whichisverydifficulttocontrolandtreat,andthemortalityrateishighallyearround.ComputedTomography(CT)isoftenthepreferredimagingexaminationandpreoperativediagnosismethodforlungcancerandnovelcoronaviruspneumonia,whichhasgivendoctorsgreathelpandeffectivelypromotedthedevelopmentofmedicalimagingresearch.Inrecentyears,deeplearningtechnologyhasmaderemarkableprogressinthefieldofmedicalimageanalysis,especiallyinimagesegmentationtasks.Thelungcancerimagesegmentationmethodbasedondeeplearningcanautomaticallyextractthelesionarea,providingdoctorswithaccuratequantitativeanalysistoolstoassistdiagnosisandtreatmentdecisions.Basedontheaboveresearchbackground,thereareproblemsofunder-segmentationandunbalanceddistributionofsmalltargetareasinthesegmentationoflungCTimages.BasedontheU-Netarchitecture,thispaperimprovedtheU-Netnetworkstructurebyaddingspatialattentionmoduleandchannelattentionmodule,analyzedtheglobalcontextinformationfromtheperspectivesoftimeandspace,strengthenedthefeaturesoflungcancerimages,andovercametheinterferenceofdifferentfactorsonthesegmentationresultstoimprovethesegmentationeffectoflungcancerimages.Inaddition,toaddressthedegradationoflow-levelfeaturerepresentationsduringscalerecovery，theconventionalU-Netarchitectureintegratesresidualconnectionsintoitsupsamplingpathway，preservingspatialdetailsthroughskip-routefeaturereinforcement.InthelungcancerdatasetonKagglewebsite,theaccuracyoftheimprovedU-Netmodelforlungcancerimagesegmentationis7.5%and4.1%higherthanthatofthetraditionalSegNetandU2R-Netmodels,respectively,whichcansegmentlungcancerimagesmoreaccuratelyandeffectively.Inadditiontosupportingtheearlydiagnosisoflungcancer,thispaperwillalsoprovidenewideasandmethodsfortheapplicationofdeeplearninginmedicalimageprocessing.Keywords:Deeplearning;Lungcancerimagesegmentation;U-Netmodel;Attentionmechanism;Upsamplingresidualmodule;Medicalimageprocessing

绪论研究背景肺癌是全球癌症中发病率、死亡率最高和最常见的恶性肿瘤之一，早发现早诊断对于患者的生存有重要意义[1]。医学影像学（如CT、pet-ct）是肺癌筛查和分期的重要手段，而图像分割是识别疾病病灶和定量分析的基础技术，直接关系到诊断和治疗方案的准确性。传统的分割方法（阈值分割、区域形成等）依赖于人工特征设计，难以处理肺癌形态的多样性、边界模糊、噪声干扰等问题。近年来，深度学习技术在图像分割领域的发展迅速，其可以通过特征学习进行端到端的优化，已经成为肺癌图像分析领域的研究热点。随着影像技术的日益精进，肺部CT图像是诊断及治疗肺癌不可或缺的依据。CT图像的精确分割为医生提供了有关疾病位置、大小和形状的详细信息。这些信息可以作为制定个人治疗计划、评估治疗效果和预测疾病进展的重要指南[2]。然而，CT肺图像的分割，依然需要面临着图像噪声、肺组织结构复杂、病灶多样化等挑战，是业界的一大难题。深度学习驱动的医学图像处理技术，依托卷积神经网络（CNN）在图像分割中的卓越性能，显著提升肺癌病灶分割精度与效率。基于深度分割算法构建的智能辅助诊断系统，为临床诊疗提供高可信度的影像解析支持。本研究不仅具有临床价值，而且有助于医学影像技术的进一步发展和创新。国内外研究现状深度学习驱动的医学图像分割技术取得突破性进展，其中卷积神经网络（CNN）凭借其层次化特征提取机制，成为肺癌病灶智能识别的关键技术基础。该技术凭借强大的特征挖掘能力和分类能力自动化解析CT影像的语义特征，显著提升了病灶定位的精确性与临床诊断效能。国内外学者已经将深度学习应用于肺癌图像分割，并且已经取得了不错的效果。这些研究不仅包括深度学习模型的创新和改进，还包括针对肺癌影像学特征的优化策略。例如，研究表明，引入谨慎机制可以使模型更准确地聚焦于肺部CT图像的重要部分，从而提高分割精度。另一项研究将传统图像处理和深度学习算法相结合，利用两者的优势实现肺癌图像的快速并且准确的进行分割。近年来，深度学习被广泛用于图像分割任务，国内外学者和机构在模型创新、应用场景扩展及技术优化等方面均有重要贡献[5]。2015年Long团队首创全卷积网络（FCN）架构，开创端到端语义分割的基础。其技术衍生出的U-Net模型[6]通过U型编解码架构与跨层连接机制，奠定医学影像分割的基准框架。当前研究通过集成注意力机制与多尺度特征融合等策略，持续优化病灶区域的全局上下文建模与动态特征校准能力。然而，深度学习方法在分割肺癌图像时仍然面临一些挑战。其中之一就是算法复杂度过高，导致深度学习模型需要大量的计算资源才能进行训练和推理，这使得它们难以在临床实践中得到广泛应用。此外，深度学习算法的泛化性能还有待提高。由于肺癌图像的多样性和复杂性，算法在不同的数据集上表现出不稳定的性能。为了克服这些挑战，本文研究旨在设计一种基于深度学习的肺癌图像分割算法，以进一步提高分割的准确性和有效性。希望通过优化模型结构，引入先进的训练策略，充分利用医学影像学已有的知识，开发出一种更高效、稳定、易于推广的肺癌图像分割算法，为治疗师提供更准确、更快速的诊断支持。同时，本文将重点关注算法在临床实践中的可行性和有用性，以确保它们能够真正为肺癌患者的诊断和治疗提供实质性的帮助。研究目的与意义研究目的深度学习在图像分割中的应用不仅局限于肺部CT成像图像，还广泛应用于许多医学领域，如背景图像分割、冠状动脉层析成像图像分割等，可见深度学习在医学图像处理中的巨大潜力和广阔前景。通过不断优化深度学习模型来提高图像分割的准确性和效率，有望给医学诊断和治疗带来革命性的变化。图像处理技术通过构建数字图像的全流程计算框架（编码、增强、压缩等）[8]，已形成支撑计算机视觉、医学影像分析等领域的跨学科技术体系。当前深度学习技术突破性地提升了医学图像分析效能，尤其在病灶精准分割方面展现出显著优势，为自动化医学图像分割提供了核心技术支撑。基于深度学习的肺癌图像分割方法可以自动对病灶进行提取处理，帮助医生对病灶做出定量分析，辅助诊断。研究意义在肿瘤诊断的标准过程中，许多病理专家必须仔细筛选病理图像并达成共识。即使在这种情况下，医生经常发现很难就样本最重要的病理特征的诊断达成一致结论。此外，疾病的数字图像通常包含数十亿像素，主观判断和医生疲劳不可避免地会导致错误和漏诊。中国还面临着医生资格分配不均的问题。由于专业性高、培养周期长、劳动强度大等因素，人工评价和诊断病理图像存在难以再现、效率低下、清晰度正确率不高等不足。深度学习技术革新医学图像解析，其肺癌病灶智能分割技术通过精准定位肿瘤边界，实现病灶区域的自动化定量分割。该技术突破显著提升诊疗方案制定的可靠性与效率，为临床决策提供较高精度的影像学支持。首先，自动化分割方法能够迅速定位肺癌病灶，减轻医生的工作负担。深度学习技术在强大的计算能力的帮助下，医生只需要在计算机辅助下重点对肺癌病灶位置进行筛查，以达到更快的速度来识别诊断肺癌的亚型和病灶区域。其次，深度学习模型可以精准识别并捕捉复杂肺癌图像中的特征，提高分割的准确性和适应性，提高医生数字图像诊断的效率和质量。此外，准确的病灶分割结果为肿瘤体积计算和治疗方案提供数据支持。基于深度学习的肺癌CT图像分割方法为肺癌的早期发现和治疗提供诊断工具，辅助医生更准确更快速的进行早期诊断，有效降低患者死亡率。深度学习凭借其复杂特征解析能力，在病理图像智能诊断领域实现突破性进展。该技术通过层次化建模机制将高维影像数据转化为可量化的诊断语义信息，显著提升疾病分析的客观性与准确性。论文的组织结构本文共分为四个方面，各章节内容及安排如下：第一章绪论，系统分析肺癌影像诊断的临床需求与深度学习技术发展脉络，说明了深度学习技术的分割算法在精准医疗中的必要性。第二章相关技术理论介绍，阐述深度学习和卷积神经网络技术的基本原理，同时对图像分割相关处理和医学图像相关处理方法作简单介绍。第三章分割算法的设计,对肺癌图像分割算法的实验环境及实验数据集进行介绍，对肺癌图像分割处理流程进行介绍,设计基于双路径注意力机制（空间-通道协同）的改进型U-Net模型，创新性融合残差上采样策略，通过Dice系数、F1分数等量化指标验证模型性能优势第四章为结论与展望章节，对本文的研究目的，研究工作进行总结，并且指出当前算法的不足以及缺陷，对算法的后续发展进行展望

相关理论基础深度学习相关知识深度学习基本理论深度学习作为机器学习的重要分支，通过构建多层神经网络架构实现了对图像、语音等复杂数据的分析。其核心机制通过低层级化特征抽象与非线性变换，并且模拟生物神经系统的分布式表征能力，创建一个具有类似人脑分析学习能力的神经网络，建立具备自主特征学习能力的神经网络来解释数据。基本原理深度学习模型基于仿生神经网络架构，通过层级化信息传递实现输入数据的智能分析。其核心结构包含输入层、输出层及多级隐藏层（通常达百层以上），模型深度由隐藏层数量级决定。图2-1是一个神经网络基本结构图，其中的圆圈表示神经元(也称为感知机),X1到Xn表示输入，O1到Oj表示输出，连线带权重参与计算并生成下一层神经元图STYLEREF1\s2-SEQ图\*ARABIC\s11神经网络结构如上图2-2所示，单个神经元通过输入特征的加权线性组合与非线性激活函数映射，实现从多维输入到标量输出的特征转换。图STYLEREF1\s2-SEQ图\*ARABIC\s12单个神经元基本结构上述关系可表示为：（2-1）上式中，t是神经元的输出；f为激活函数（如Tanh，Sigmoid，ReLu），a1，a2⋯an为各个输入向量分量；w1，w2⋯wn为各个对应权重参数；b是偏置项相关应用深度学习技术赋予机器在处理数据时提取特征的能力，解决了诸如复杂模式识别、数据分析等对人类而言颇具挑战性的问题，显著推动了科研、经济和社会的进步。图STYLEREF1\s2-SEQ图\*ARABIC\s13深度学习技术的相关应用卷积神经网络基础原理卷积神经网络（CNN）采用层级化三维张量结构（h×w×d）实现端到端特征提取，其中空间维度（h×w）表征特征图尺度，通道维度（d）编码多级语义信息，h，w和d分别表示空间维数、通道或特征维数。其核心优势源于局部感知机制——高层神经元通过感受野动态捕获图像的局部上下文特征，逐层构建从像素级细节到语义级抽象的层次化表征体系。CNN处理局部输入区域的基本元素是卷积层（Convolution）、激活函数（Tanh，Sigmoid，ReLu）和池化层（Pooling）。卷积层卷积层构成卷积神经网络的基础架构，其核心机制在于通过可学习的卷积核实现局部特征抽取。该结构包括卷积核、步长、填充等。卷积核卷积核（滤波器）作为特征提取的基本单元，通过局部感受野的滑动加权计算实现图像特征的层次化检测，形成具有平移不变性的特征编码体系，其核心功能在于将像素级信息变成输出图像中每个对应像素的值如下图2-4，就是一个固定大小的核，以一定的步长去对原图像位置做相乘再求和的操作。图STYLEREF1\s2-SEQ图\*ARABIC\s14卷积核进行卷积运算具体计算公式为：（2-2）步幅卷积层的步幅参数通过调控滤波器滑动间隔实现特征图的下采样率控制，其数值设定直接决定空间维度的压缩系数。设置的步长就是输入图像需要缩小的倍数，该参数化调控机制在降低计算复杂度。图STYLEREF1\s2-SEQ图\*ARABIC\s15步幅为2的卷积运算填充填充是指围绕输入特征图的边缘填充额外的像素值，用于扩展输入特征图的大小，有0填充和复制边缘像素两种方式。如下图2-6，给定一个32×32的输入图像，使用卷积核大小为5×5，结果在第一层得到一个28×28的输出，在第七层得到一个4×4的输出，卷积核越大，越快使输出尺寸减小，形状由nh×nw变小到。(nh−kh+1)×(nw−kw+1)图STYLEREF1\s2-SEQ图\*ARABIC\s16填充操作激活函数激活函数作为卷积神经网络的核心非线性映射单元（如ReLU/Sigmoid），通过引入非线性打破线性模型。该机制赋予网络逐层构建非线性特征抽象的能力，是深度模型实现复杂模式识别的数学基础。图STYLEREF1\s2-SEQ图\*ARABIC\s17ReLU、Sigmoid、Tanh激活函数图像常见的激活函数ReLU的函数公式为：（2-3）Sigmoid的函数公式为：（2-4）Tanh的函数公式为：（2-5）池化层为了降低训练参数量，加快训练速度，池化层将特征图像中相邻位置的特征进行组合，减小特征图像的尺寸。池化层通过构建局部特征的空间聚合机制，采用滑动窗口策略（步长=核尺寸）步长大小不变实现特征图的有效降维，该层以最大/平均池化算法对窗口覆盖区域进行特征统计，在保留关键语义信息的同时消除空间冗余性[16]。其通道通过引入平移不变性显著提高模型对局部形变的鲁棒性，同步优化网络的计算效率与特征表达能力。图STYLEREF1\s2-SEQ图\*ARABIC\s18最大池化结果常用的池化层形式有：最大池化，平均池化，加权平均池化等。上图2-8最大池化。图像分割技术概述图像分割作为计算机视觉的核心任务，旨在依据视觉特征一致性（颜色/纹理/形态）将图像解构为语义连贯的子区域，构建结构化表征以支撑高层视觉分析。传统分割方法（阈值法、区域生长法、边缘检测法）虽在特定场景有效，但面临复杂场景泛化能力不足与高噪声干扰下特征鲁棒性下降等关键技术瓶颈，制约了其在医学影像等专业领域的实用价值基于神经卷积网络的深度学习图像分割已经成为一个重要的里程碑。除了CNN，U-Net模式也引起了广泛的关注。U-Net通过对称编解码架构实现医学影像的精准分割，其创新性体现在：编码器通过多级下采样完成层次化特征提取，解码器则采用对称上采样路径实现空间细节重建，二者通过跨层跳跃连接实现多尺度特征的空间校准与通道级联。这种深浅层特征融合机制有效解决了医学影像中病灶形态多变与边界模糊的技术难题，使模型在保持解剖结构连续性的同时实现分割精度提高，成为医学影像分割领域的金标准架构。这将有效地保留图像的空间信息，使模型在小目标和细节聚类方面表现优异[17]。

肺癌图像分割算法设计实现实验环境和思路实验环境本论文的实验环境是Python3.5及Spyder平台。实验环境使用的软硬件环境及库的名称和版本如表3-1所示。表STYLEREF1\s3-SEQ表\*ARABIC\s11实验环境及参数环境版本硬件（处理器）CPU型号Intel(R)Core(TM)核数4Cores内存16GB磁盘100GBGPU容量8GB型号MX450软件（相关库）Python3.12.7Spyder5.5.1Pytorch2.6.0numpy1.26.4scikit-learn1.5.1tensorflow2.18.0scikit-image0.24.0实验数据集肺部数据集包括肺部CT分割数据集和肺部病灶CT图像数据集所有图像。肺部CT分割数据集（LungsDiseaseData）是Kaggle网站的肺部CT图像；肺部病灶CT图像数据集来源于Radiopaedia。实验思路本研究构建基于改进型U-Net的图像分割框架，采用多阶段数据优化策略：将图像进行标准化和归一化处理消除数据噪声，使用图像变增强技术扩充病灶表征多样性。创新设计的双路径注意力U-Net模型在数据集上实现，最后通过分析分割准确率、Dice系数、F1分数等指标对不同模型的分类效果进行评价。具体流程可参见图示3-1：图STYLEREF1\s3-SEQ图\*ARABIC\s11实验设计思路U-Net模型构建U-Net核心思想U-Net作为具有里程碑意义的医学影像分割架构（最初由OlafRonneberger等人于2015年提出），凭借其独特的对称编解码设计与跨尺度特征融合能力，已成功拓展至遥感监测、自动驾驶等跨领域图像解析任务，实现多模态数据的像素级语义重建与病理学特征精准定位。U-Net具有强大的特征提取和恢复能力，能够生成精确的分割结果，尤其是在数据有限的情况下表现尤为出色。图STYLEREF1\s3-SEQ图\*ARABIC\s12U-Net模型图U-Net的概念是利用对称的编码器-解码器结构高效地提取图像特征并将其恢复到初始大小，从而实现高精度的像素级图像分割。U-Net以其独特的U型拓扑结构（编码器-解码器对称架构）革新医学影像分割模型，编码器通过空间压缩提取多尺度语义特征，解码器则采用镜像上采样路径实现解剖细节重建。创新性的跨层特征融合机制将编码器浅层高分辨率特征与解码器深层语义特征进行通道级联，有效解决医学图像中病灶边界模糊与形态异质性难题，其多尺度特征协同优化策略使该模型成为像素级医学影像解析的基准框架U-Net工作原理U-Net通过对称编解码架构实现医学影像的精准解析：编码器经多级空间压缩提取层次化语义特征，解码器则通过反卷积与跨层特征桥接逐级恢复解剖细节。其核心技术突破在于构建编码器深层语义抽象与解码器浅层空间特征的动态融合通道，通过跳跃连接实现多尺度特征的空间校准与通道维拼接，有效克服医学影像中组织边界模糊与病灶异质性带来的分割挑战，建立端到端像素级分割的新范式如下图3-3所示。图STYLEREF1\s3-SEQ图\*ARABIC\s13U-Net工作示意图跳跃连接跳跃连接是U-Net最大的创新之一。U-Net通过跨层特征传递机制实现对图像的细节部分恢复的更加完美，其跳跃连接架构将编码器捕获特征与解码器生成的深层语义抽象（如病灶形态学）进行通道级联。这种多尺度语义融合策略通过动态平衡局部细节与全局上下文信息，有效提升复杂病灶边界的分割精度。注意力机制注意力机制是指将模型忽略无关部分而只聚焦于场景中某些重要部分，让模型处理信息更加高效、准确，是参考人类视觉在信息加工过程中会选择性的关注细节信息部分而忽略无关信息部分的注视特性提出的。随着神经网络研究的深入，注意力机制的应用日益广泛，它在人类视觉系统中也扮演着至关重要的角色。通道注意力SE-Net（Squeeze-and-ExcitationNetwork）是利用了压缩-激发（Squeeze-and-Excitation，SE）模块对特征进行再加工，为不同通道设置注意力权重REF_Ref20353\r\h[20]。如下图3-4所示：图STYLEREF1\s3-SEQ图\*ARABIC\s14注意力机制模型双注意力机制本研究针对传统编解码架构在医学影像分割中的技术瓶颈——局部感受野受限与跨通道关联建模不足，提出双路径注意力增强型U-Net架构。通过将空间-通道协同注意力机制嵌入模型中的编码器和解码器之间的跳接连接处，构建多尺度特征动态校准通道：空间注意力采用强化病灶边界响应，通道注意力通过特征实现病理语义优选，跨层融合建立深浅层特征的映射。以达到解决传统模型缺点带来的图像特征获取不足的问题，提高病灶区域的精准分割。空间注意力模块针对传统特征提取方法在空间上下文建模方面的固有缺陷——局部特征后并未考虑到与周围像素的位置关系信息，本研究提出基于空间注意力机制的特征增强策略。该模块通过建立像素级位置编码与多尺度上下文感知机制，实现局部特征与周围像素关系的交互。其核心价值在于让更多的像素位置信息流入图像局部特征中，显著提升复杂病灶解剖结构的重建精度。空间注意力模块工作的步骤如下：表3-2空间注意力模块算法空间注意力模块算法首先，输入待增加空间注意力的图像A，进行三次空洞卷积得到图A1，A2，A3。其次，将图A1进行尺度变换和维度变换得到图E（尺寸为（H×W）×C）。再将图A2进行尺度变换与图E相乘，经过Softmax函数进行归一化得到图X（尺寸为（H×W）×（H×W））。接着将图A3进行尺寸变换与图X相乘得到图F（尺寸为C×H×W）最后将图F进行尺寸变换与图A相加得到最终输出图G（尺寸为C×H×W）。具体流程如下图3-5所示：图STYLEREF1\s3-SEQ图\*ARABIC\s15空间注意力模块工作流程通道注意力模块针对传统通道特征建模中跨通道关联性缺失的技术瓶颈，本研究提出基于通道注意力机制的特征优化策略。该模块提取不同通道中的图像特征，并表达出图像通道中存在的特征相互之间有着某种联系，通过卷积神经网络计算出输入图像的个通道的权值，生成具有病理语义导向的特征权重向量。该通道注意力模块提取不同通道中的图像特征，并表达不同通道中图像特征之间的关系，提高后续分割的精度。通道注意力模块工作的步骤如下：表STYLEREF1\s3-SEQ表\*ARABIC\s13通道注意力模块算法通道注意力模块算法首先，输入待增加空间注意力的图像A，将图A进行尺度变换，尺度变换，尺度变换和维度变换得到图A1，A2，A3。其次，将图A3与图A2相乘，经过Softmax函数进行归一化处理得到图Y（尺寸为C×C）。再将图A1和图Y相乘得到图E（尺寸为C×H×W）。最后将图E进行尺寸变换得到图F，图F为最终输出图（尺寸为C×H×W）。具体流程如下图3-6所示：图STYLEREF1\s3-SEQ图\*ARABIC\s16通道注意力模块工作流程上采样残差模块浅层特征引入解码部分可以提高像素分类精度，本章定义一个上采样残差模块（Up-samplingResidual,UR）代替U-Net中的原始上采样模块，结构如下图3-5所示。图STYLEREF1\s3-SEQ图\*ARABIC\s17上采样残差模块结构具体步骤如下：本特征融合模块通过多尺度协同优化策略实现深浅层特征的高效整合：深层特征XH经1×1卷积核的降维处理与标准化操作后，通过上采样实现空间分辨率恢复，与浅层特征XL进行通道维度拼接形成初级融合特征F1。继而构建多尺度特征金字塔——采用全局池化捕获语义上下文，并联执行3×3/5×5卷积核的多粒度特征提取，通过逐元素相加与非线性激活（ReLU）实现多尺度特征聚合生成中级特征F2。同步地，F1经跨层特征校准（全连接层+Sigmoid门控）实现通道维重标定，与原始浅层特征进行点乘运算获得细粒度特征F3。最终通过空间注意力加权机制实现F2与F3的深浅层特征动态融合后再进行一次上采样。由此，对于本章设计的上采样残差模块的细部结构，F1、F2、F3的计算公式如下。…。（3-1）（3-2）（3-3）上述公式中，f1、f3、f5分别表示卷积核长宽均为1×1、3×3、5×5的卷积层；Up()是上采样；[]是通道拼接；+是元素相加；∗是元素相乘；fGAP()是全局平均池化；经过一次上采样操作后得到的最终结果如下式3-4所示。（3-4）Dice损失函数与评估指标Dice损失函数损失函数作为深度学习的优化核心，其数学本质在于构建可微的差异度量函数，量化模型预测与真实标签的偏离程度。通过反向传播算法动态调整网络参数以最小化该度量，实现估计值与真实值之间的距离不断减小。DiceLoss源于Sørensen-Dice系数，通过量化分割结果与标注掩模的重叠度优化模型性能。作为医学影像分割的核心损失函数，其通过集合相似性度量构建预测与真实分布的评估体系，目的是让分割后的输出与实际标签的相似度更接近。特别适用于解决小目标病灶分割中的像素级类别失衡问题，在边界组织的精细化分割中展现出显著优势Dice系数Dice系数（DiceCoefficient）是表示两个集合相似程度的一种参数，定义如下：（3-5）|A||B||A∩B|上式中：A、B表示二值集合，和分别表示集合A中元素，B中元素，表示集合AB交集的元素个数。通常集合A为模型预测分割结果集合，B集合为真实标签分割结果集合。Dice损失函数Dice损失函数通过反向优化集合相似性测度（Dice系数），分割结果与真实标签之间有更大的相似度，成为复杂病灶精细化分割的关键优化工具[23]。Dice损失函数如下：。（3-6）将Dice系数代入得到：（3-7）实际计算中，通常采用连续概率值而不是二值结果，因此Dice损失函数也可以推广到如下形式：（3-8）上式中：p是模型预测概率，t是真实标签的二值值，pi和ti是第i个像素的预测值和真实值。为避免除以零的情况，通常会加一个很小的平滑项ϵ（3-9）评估指标选取Dice系数、F1分数和准确度评价U-Net对肺癌图像的分割结果，其中F1分数指标计算如公式所示。。。（3-10）式中TP为模型预测为病灶区域的实际病灶；FP为模型预测为病灶区域的正常区域；TN为模型预测为非病灶区域的正常区域,FN为模型预测为正常区域的病灶区域。实验结果与分析为了验证算法的分割性能，在实验条件一致的情况下，使用SegNet、R2U-Net和改进U-Net模型进行对比实验，不同模型对比结果如表3-2所示。表STYLEREF1\s3-SEQ表\*ARABIC\s14实验结果对比算法Dice系数F1分数准确率SegNet61.353.673.7R2U-Net62.557.877.1改进的U-Net67.675.981.2由上表可看出改进的U-Net模型各个评价指标都取得了最高值，在图像分割效果方面也优于其余两个模型。相较于表现最差的SegNet模型，改进的U-Net在Dice系数上实现了6.3%的提升，在F1分数上增长了22.3%，在准确率方面也提高了7.5%。与R2U-Net模型相比，改进的U-Net在Dice系数上同样表现出5.1%的增幅，在F1分数上增长了18.1%，在准确度上也有4.1%的提升。除此之外，为了展示改进的U-Net模型的图像分割的可视化结果，分别挑选数据集中的CT图像3、CT图像4、CT图像5各三张进行展示，如图3-8所示。图STYLEREF1\s3-SEQ图\*ARABIC\s18不同模型图像分割效果对比通过可视化分析可以明显看出，改进的U-Net网络分割较细，能将病灶区域从整体CT图像中精确地分离出来且与医师手工所做标签形态极为相似；SegNet、R2U-Net两种网络的分割效果较为粗略，仅能识别和分割出大部分具有病灶明显特征的部位。此外，为了更加直观比较模型性能，本章绘制了不同模型训练过程的损失值曲线和准确度曲线对比如下图3-9所示。根据各曲线对比图可知，改进的U-Net模型收敛速度最快，且收敛结束后的准确度相比其他对比模型不同程度的提高。图STYLEREF1\s3-SEQ图\*ARABIC\s19不同模型的损失曲线与准确度曲线对比本章小结本章为本论文的实验内容，首先介绍实验环境和实验思路，然后介绍了改进的U-Net模型的组成，包括基础U-Net模型、提出双注意力模块、用于上采样操作的上采样残差模块。再通过设计的模块与U-Net基础模型搭建整体框架，并对肺癌图像完成图像分割，最后利用准确率、Dice系数、F1分数以及损失值与准确度曲线等常见评估指标评价模型分割结果。实验选取其中的三个模型，进行实验性能的对比，通过结果对比可证明改进后的U-Net模型分割效果较好，而且精度较其他几个模型也更高。

结论与展望研究结论随着深度学习和人工智能技术的进步，图像分割技术已成为现代医学诊断支持的重要工具。然而，传统的人工阅片方法存在主观性强、效率低等问题，难以满足大规模筛查的需求。因此，采用深度学习的方法对肺癌图像进行图像分割具有较大的意义和较高的应用价值。本文旨在通过提出一种改进的U-Net算法对肺癌图像进行分割。通过对已收集的肺癌图像进行分割处理，以达到相较传统分割算法准确率显著提高的效果。本文完成了以下工作：本文通过对提出的U-Net网络模型进行改进，把上采样改为上采样残差模块，且在解码部分结合浅层特征能有效提升像素分类准确度，从而提升病灶分割准确度，解决了肺部CT图像上的病灶区域可能只占据一小部分，而且病灶形状不规则、整体边缘模糊是肺肿瘤图像分割的难点。通过实验表明，改进模型在肺部CT影像解析中展现出显著的技术优势，其多模态融合架构较传统分割网络有效的提高了肺部CT图像分割精度，更好地获得了肺部病灶的正确定位和分割，为精准肺癌分期提供可靠的影像组学分析工具本研究针对传统U-Net在医学影像分割中的特征缺陷——通道间语义关联性缺失与空间上下文特征关系表达衰减，提出双路径注意力优化架构。通过通道注意力机制建立跨通道联合各通