基于深度学习的CT图像分割技术提升肺部疾病诊断效率研究

本研究针对COVID-19等肺部疾病诊断中RT-PCR检测灵敏度低、耗时长的问题，提出采用UNet++架构的CT图像深度学习分割方法。通过对比UNet++四个层级（L1-L4）与SegNet、FCANet等模型的性能，发现UNet++ L4在RSPHC和Kaggle数据集上分别达到0.994和0.961的Dice系数，同时保持0.925s的快速计算能力，为临床提供高效精准的AI辅助诊断方案。

　　

肺部疾病的精准诊断一直是临床面临的重大挑战，尤其在COVID-19大流行期间，传统的逆转录聚合酶链反应（RT-PCR）检测存在71%的灵敏度局限，且需长达2周获取结果。计算机断层扫描（CT）虽能提供三维肺部影像，但人工分割耗时且主观性强。在此背景下，印尼特鲁诺佐约马杜拉大学工程学院信息工程系的研究团队在《Intelligent Systems with Applications》发表论文，创新性地将UNet++深度学习架构应用于CT图像分割，通过多层级模型比较和交叉验证，建立了兼顾精度与效率的自动诊断系统。

研究采用Kaggle公开数据集（1196张CT图像）和印尼RSPHC医院临床数据（494张图像），运用UNet++的密集跳跃连接和深度监督技术，结合K折交叉验证（k=5）进行模型训练。关键创新点包括：1）采用多目标优化（MOO）算法平衡Dice系数、IoU指标与计算资源；2）首次系统评估UNet++四个层级（L1-L4）在医疗影像中的性能差异；3）开发了19.455ms/帧的实时推理系统。

【材料与方法】
数据集方面，Kaggle数据包含512×512像素的.tif格式图像，RSPHC数据经预训练UNet模型标注后由放射科医生验证。所有图像统一预处理为256×256像素灰度图，采用Adam优化器（学习率0.0003）训练100个epoch。

【UNet++架构】
该架构通过嵌套卷积块和密集跳跃连接解决编码器-解码器间的语义鸿沟问题。L4级模型含9.16×10⁶可训练参数，在保持Xception骨干网络精度的同时，较FCANet减少85%计算时间。

【结果与讨论】
在RSPHC数据集上，UNet++ L4以0.994 Dice系数和0.989 IoU显著优于SegNet（0.991/0.983），计算速度达25.162ms/帧。Kaggle数据测试显示，模型泛化能力受训练数据量影响——使用861张图像训练的模型Dice系数（0.962）显著高于356张图像训练的版本（0.629）。可视化分析发现，90%的预测误差集中在肺叶边界区域，这与CT设备的校准差异直接相关。

研究证实UNet++ L4在保持9.16×10⁶参数的中等复杂度下，实现了医疗影像分割精度与效率的最佳平衡。该技术不仅适用于COVID-19的快速筛查，其模块化设计还可扩展至肺炎、肺结核等疾病的辅助诊断。未来研究需解决跨医疗机构数据的泛化问题，并通过迁移学习适应更多肺部病变类型。论文提出的MOO评估框架为医疗AI模型的临床转化提供了重要方法论参考。