毕蓉蓉 王进科

摘 要：针对肺CT实质自动分割问题，提出了一种改进的U-Net模型。该模型充分结合了U-Net网络和循环卷积神经网络（RCNN）的优势，可以提取图像中更加细小的特征，在拥有较少数量网络参数的情况下获得良好的性能。该模型首先在编码和解码单元中，使用带有残差单元的循环卷积层代替U-Net模型中的前向卷积层。然后，从基本网络的端到端使用了有效的特征累积方法。最后，从原始的U-Net模型中删除了裁剪和复制单元，仅保留了级联操作。为了验证提出方法的性能，将提出的模型与当前最先进的模型在LUNA16数据集上进行了实验比较，实验结果显示，提出的分割模型在分割精度方面体现出一定的优越性。

关键词：

RCNN;U-Net;医学图像分割;肺CT

DOI：10.15938/j.jhust.2021.03.011

中图分类号： TP391.4

文献标志码： A

文章编号： 1007-2683（2021）03-0074-09

Automatic Lung Segmentation Using RCNN Combing U-Net in CT

BI Rong-rong， WANG Jin-ke

（Rongcheng Campus， Harbin University of Science and Technology， Rongcheng 264300， China）

Abstract：Aiming at the problem of automatic lung CT segmentation， an improved U-Net model is proposed. The model fully utilizes the advantages of U-Net model and Recurrent Convolutional Neural Network（RCNN）， and it helps extract very low-level features and ensure better performance with fewer numbers of network parameters. Firstly， in the encoding and decoding units， a recurrent convolution layer replaced the forward convolutional layers of the original U-Net models. Secondly， an effective feature accumulation method was utilized from one part of the network to the other. Finally， the cropping and copying units were removed from the original U-Net model and only the concatenation operations were retained. To evaluate the performance of the proposed scheme， the comparative segmentation experiments with state-of-the-art models were conducted in the LUNA16 datasets. The experimental results proved a superiority of the proposed method on segmentation accuracy.

Keywords：RCNN; U-Net; medical image segmentation; lung CT

0 引 言

医学图像处理技术可以帮助病人获得更快更好的诊断，CT成像因其高性价比被广泛应用于临床的辅助诊断。然而，手动分割的过程缓慢且繁琐，而自动的CT图像分割技术可以减少人为主观错误，降低时间成本和误诊率。因此，研究可靠的鲁棒的自动算法，对于高效、精准的医疗诊断具有重要的临床应用价值。

近年来，深度学习（DL）在图像分类[1]、分割[2]、检测[3]等方面得到了广泛的应用，VGG[4]、GoogleNet[5]、ResidualNet[6]等著名的深度卷积神经网络模型相继被提出。基于DL的方法在图像分类、图像分割方面都表现出了优越的性能，然而，在大多数情况下，基于DL的方法在对大规模的数据集分類时（如ImageNet），分类任务的输出是仍然是单个标签概率值。……