基于条件卷积与注意力的肝脏分割算法

鉴于现有肝脏CT影像分割算法中存在的对比度较低、边界模糊、分割效果差问题,提出一种基于条件参数化卷积与注意力的分割网络(CPat-Net).首先用条件参数化卷积替代残差网络中的常规卷积,其次将融合后的条件残差卷积模块集成至编码器中,用以提升模型容量和保持高效计算.然后利用特征注意(CPat)模块中的空间和通道注意力获取特征图的语义和细节信息,从而将局部特征与其全局依赖性更好地结合起来,最后利用深度监督进行多尺度语义信息的融合,提升方法的性能与鲁棒性.实验表明,在肝脏CT影像数据集中本文方法的Dice相似系数、交并比、Jaccrad系数分别达到了94.1％、90.3％、92.4％.相较于UNet、CENet、CSNet等前沿方法,本文方法在肝部分割上的准确度更为优异.