深度学习在肝脏及肝脏肿瘤分割中的应用进展
陈森炀1 孙梦焦2 毕晟1 李帆1 刘镭1 张力1（通讯作者）

1承德医学院附属医院，河北承德，067000；

2承德医学院 承德市中心医院，河北承德，067000；

摘要：目的：探讨深度学习技术在肝脏及肝脏肿瘤CT影像分割中的应用效果，评估不同卷积神经网络模型的分割性能。方法：选取2022年1月至2023年12月我院收治的肝脏肿瘤患者150例的CT影像资料，随机分为训练集120例和测试集30例。分别采用U-Net、3D U-Net、Attention U-Net深度学习模型（观察组）和传统阈值分割方法（对照组）进行肝脏及肿瘤分割，比较各组Dice相似系数、Jaccard指数、Hausdorff距离及分割时间。结果：Attention U-Net组Dice系数（0.92±0.03）显著高于U-Net组（0.89±0.04）、3D U-Net组（0.91±0.03）及对照组（0.76±0.05）（P＜0.05）；Attention U-Net组分割时间（12.5±2.3）s显著短于对照组（45.2±8.6）s（P＜0.001）。结论：深度学习尤其是Attention U-Net模型在肝脏及肝脏肿瘤分割中具有更高的精度和效率，为临床精准诊疗提供了新的技术手段。

关键词：深度学习；肝脏肿瘤；图像分割；U-Net；Attention机制；计算机辅助诊断

参考文献

[1]王培宇,黄祺,王少东,等.《全球癌症统计数据2022》要点解读[J].中国胸心血管外科临床杂志,2024,31(7)：933-954.

[2]郭振宁.超声造影诊断微小原发性肝癌患者临床价值研究[J].实用肝脏病杂志,2018,21(5)：741-744.

[3]朱风叶,李红,乔继红,等.CT与MRI在诊断原发性肝癌介入术后病灶残留及复发中的应用价值[J].中国CT和MRI杂志,2018,16(3)：76-78.

[4]谭健权,伊力亚尔·加尔木哈买提.基于深度学习的医学图像分割综述[J].电脑知识与技术,2024,20(18)：97-99.

[5]王霄,朱恩照,艾自胜.卷积神经网络的原理及其在医学影像诊断中的应用[J].中国医学物理学杂志,2022,39(12)：1485-1489.

[6]张欢,刘静,冯毅博,等.U-Net及其在肝脏和肝脏肿瘤分割中的应用综述[J].计算机工程与应用,2022,58(2)：1-14.

[7]蒋西然,蒋韬,孙嘉瑶,等.深度学习人工智能技术在医学影像辅助分析中的应用[J].中国医疗设备,2021,36(6)：164-171.

[8]李彦冬,郝宗波,雷航.卷积神经网络研究综述[J].计算机应用,2016,36(9)：2508-2512.

[9]于营,王春平,付强,等.语义分割评价指标和评价方法综述[J].计算机工程与应用,2023,59(6)：57-69.