过完备辅助编码的肝脏肿瘤分割方法OA

针对现有基于CT图像的肝脏肿瘤分割方法中编解码器结构在局部细节与全局上下文平衡不足及下采样导致小肿瘤信息丢失问题,提出双编码器多级注意力融合网络(dual-encoder multilevel attention fusion network,DEMA-Net)。在传统编码分支基础上引入过完备辅助编码分支,结合残差连接与注意力机制捕获并校准通道与空间特征,实现多级特征交叉融合以保留深层细节信息。通过引入ECA注意力机制来重新设计跳跃连接结构,增强多尺度特征学习能力。构建混合损失函数解决类别不平衡和小目标分割难题。在LiTS2017和3D-IRCADb数据集上的实验结果表明,模型的肝脏分割Dice值分别达到98.16%和97.89%,肝肿瘤分割Dice值分别为92.98%和93.43%,优于对比的9种先进方法。该网络能够有效缓解边界模糊区域分割不理想及小肿瘤信息丢失问题,提升肝脏肿瘤的分割性能。