AFS-Net：融合注意力机制的深度学习框架用于CT肝脏与肿瘤自动分割

《BMC Medical Imaging》：A novel U-shaped AFS-Net with attention fusion module for automated liver and tumor segmentation in abdominal CT images

　　

摘要

背景

在腹部计算机断层扫描中对肝脏和肝肿瘤进行准确分割对于肝细胞癌的诊断、分期和治疗计划至关重要。然而，手动勾画耗时费力，且存在观察者差异。现有的深度学习方法仍面临肿瘤异质性、肿瘤与肝脏边界不清以及低对比度病灶等挑战。

方法

我们开发了 AFS-Net，一种用于自动肝脏和肿瘤分割的 U 型深度学习框架。该模型在跳跃连接中引入了注意力融合模块，以自适应地整合编码器 - 解码器特征，并采用多尺度深度监督策略来提高训练效果。AFS-Net 在公共肝脏肿瘤分割数据集上进行了评估，并与 3D U-Net、ResUNet 和 nnUNet 进行了比较。性能评估指标包括戴斯系数、95 分位豪斯多夫距离和平均对称表面距离。两位放射科医生还对病例进行了定性评估。

结果

在所有比较的模型中，AFS-Net 取得了最佳的整体性能。对于肝脏分割，其戴斯系数为 96.5%，95 分位豪斯多夫距离为 18.9 mm，平均对称表面距离为 2.1 mm。对于肿瘤分割，其戴斯系数为 78.2%，95 分位豪斯多夫距离为 18.5 mm，平均对称表面距离为 3.2 mm。与 nnUNet 相比，AFS-Net 提高了肿瘤戴斯系数并减少了基于边界的误差。在放射科医生评估中，接受的轮廓在定量表现上一致优于被拒绝的轮廓。

结论

AFS-Net 是一种有效的用于计算机断层扫描图像自动肝脏和肿瘤分割的方法。它提高了重叠精度和边界勾画，特别是在肿瘤分割方面，并可能支持计算机辅助诊断和治疗计划。