王 磐，强 彦，杨晓棠，侯腾璇

（1.太原理工大学信息与计算机学院，山西晋中 030600；2.山西省肿瘤医院放射科，太原 030000）

0 概述

肺结节作为肺癌早期诊断的重要依据，对其边缘精准分割显得格外重要。随着计算机断层扫描（Computed Tomography，CT）数据呈现出指数型增长的趋势，影像科医师面临着越来越繁重的CT图像审阅工作，即使医师能够快速准确地标记出结节所处的位置以及边界，但在长时间高强度的工作过程中难免会出现误诊漏诊。因此，急需一种新兴技术辅助医生诊断，而计算机辅助诊断（Computer Aided Diagnosis，CAD）［1-3］的出现给影像学带来了希望。辅助诊断技术的日趋成熟不仅能减少医生工作量，而且能够提高标记结节的准确率和效率。然而，由于肺部CT图像中结节的大小、形状以及其他临床特征（如钙化征、分叶征、毛刺征等）都存在明显差异，导致目前的一些分割方法的肺结节检出率低，耗时长。因此，构建一种高效的肺结节分割模型成为一个难点。

本文构建一种基于深度神经网络的肺结节分割模型以提高肺结节的检出率，减少肺结节检测时间，同时将双注意力模块融入深度神经网络，以优化小尺寸肺结节，进而提高多类型肺结节的分割精度。

1 相关工作

近年来，深度学习的广泛使用使得研究人员开始利用神经网络提取肺结节的深层特征，从而对结节进行自动诊断，代替使用手工特征和描述符［4］的传统肺结节分割方法。文献［5］通过调整对比度以增强CT图像中肺结节部分，然后根据经验设定阈值与形态学操作的参数对图像进行预处理，最后利用简单的区域增长算法分割肺结节。……