融合双解码和全局注意力上采样模块的胰腺囊性肿瘤分割网络OACSTPCD

胰腺因其解剖结构复杂多变、周围环境复杂等特点,始终是医学图像分割中最具挑战性的任务之一.针对以上问题,提出一种融合双解码和全局注意力上采样模块的深度学习分割模型(Combining Dual Decoding and Global Attention Upsampling Modules Network,DGANet).模型由一个编码器和两个解码器构成,两个解码器实现了对不同深度特征信息的充分利用;模型采用全局注意力上采样模块(Global Attention Upsampling,GAU),利用高层丰富的语义信息来引导低层选择更为精准的特征信息.利用长海医院提供的数据集进行实验,结果表明平均Dice相似系数为86.28%,交并比(Intersection-over-Union,IoU)为0.77,豪斯多夫距离(Hausdorff Distance,HD)为7.7 mm,数据证实了该模型在胰腺囊性肿瘤分割中具有一定的临床意义和价值.