刘文，亓文霞，仲国强，王佳佳，王大寒

（1.中国海洋大学 信息科学与工程学部，山东 青岛 266100；2.德州市人民医院 肿瘤科，山东 德州 253000；3.厦门理工学院 计算机与信息工程学院，福建 厦门 361024）

0 概述

我国是世界上食管癌病死率较高的国家，其发病率在各类肿瘤中居第3位，病死率居第4位［1-2］。食管癌在我国不同地区的发病率有明显差异，受某些诱导因素的影响，有高发病率地区和低发病率地区。因此，对高发病区域进行食管癌肿瘤的筛查诊断是非常有效的防控手段［3］。

食管癌的诊治是医生借助电子计算机断层扫描（CT）、核磁共振成像（MRI）等技术对生成的医学影像进行分析。由于人工阅片的工作量非常庞大，因此医生可能会因长时间阅片产生疲劳感，影响对病灶的判断，增大漏诊、误诊的风险。此外，疾病的检出率很大程度上依赖于影像科医生的主观经验，易受本人生理、心理等状态的影响，存在一定的诊断偏差，从而影响诊断结果的准确性［4-6］。因此，根据食管癌医学影像进行肿瘤检测和准确分割，是进行病灶切除手术的前提，同时深度学习自动化处理方式也对辅助医生诊断治疗有重要意义。

近年来，基于深度学习的医学影像分析在医疗领域取得了一定的成果，在自动识别可疑病灶、对病灶进行量化诊断等方面取得新进展［6］。但是，受数据集大小以及数据标注准确性等因素的影响，现有研究往往将肺癌、乳腺癌等常见癌症作为检测目标。然而，采用深度学习诊断肿瘤的方式并不具有跨病种的泛化能力，即对某一疾病诊断效果好的深度学习网络通常不适用于其他疾病。……