边缘提取算法结合深度学习的肺结节分割预测
边缘提取算法结合深度学习的肺结节分割预测
摘要
本文提出了一种结合传统边缘提取算法与深度学习技术的肺结节分割方法，旨在提高现有U-Net模型在肺结节分割任务上的性能。我们设计了一个新型的三通道输入网络架构，能够同时处理原始CT图像、边缘特征图像以及它们的组合。通过系统性地比较多种边缘检测算法与深度学习模型的结合效果，我们验证了所提方法在肺结节分割任务上的优越性。实验结果表明，与传统U-Net相比，我们的方法在Dice系数、敏感性和特异性等指标上均有显著提升，特别是在结节边缘区域的划分上表现更为精确。
关键词：肺结节分割；边缘提取；深度学习；三通道网络；医学图像处理
1. 引言
1.1 研究背景
肺癌是全球范围内癌症相关死亡的主要原因之一，早期检测和准确诊断对提高患者生存率至关重要。计算机断层扫描(CT)是检测肺结节的主要影像学方法，而精确的肺结节分割是后续诊断和分析的基础。传统的分割方法通常依赖于手工设计的特征和阈值技术，但这些方法在复杂场景下往往表现不佳。
近年来，深度学习技术，特别是卷积神经网络(CNN)，在医学图像分割领域取得了显著成功。U-Net作为一种经典的编码器-解码器结构，已成为医学图像分割的基准模型。然而，标准U-Net在处理肺结节边缘时仍存在局限性，尤其是对于边界模糊或形状不规则的小结节。
1.2 相关工作
已有研究表明，结合传统图像处理技术与深度学习方法可以提升分割性能。边缘信息作为图像