基于U-Net的医学图像分割算法研究及应用
摘要
医学图像作为临床上辅助医生诊断的重要参考，如何快速准确地分割医学图像中
的目标区域受到了研究者们的广泛关注。将深度学习算法应用于图像分割已成为当前
的主流方法，但由于医学图像中存在病灶区域形状不规则、颜色变化大、病灶区域和
背景区域像素存在类别不平衡等问题，传统的深度学习图像分割算法如FCN和U-Net
在分割效果上已不足以满足实际需求。
基于上述问题，本文提出了一种新型的深度学习网络（MARU-Net）用于图像分割。
首先，为了提取出医学图像中的感兴趣区域，本文将通道注意力机制与空间注意力机
制相结合，用来对特征图的通道和空间特征信息进行提取。其次，为了将图像的浅层
特征与深层特征相融合且防止网络退化，在注意力机制中引入残差机制，提出了混合
注意力残差模块（MARM）。然后，针对医学图像的目标区域和背景区域像素类别不平
衡的问题，将加权交叉熵损失函数与Dice损失函数相结合，提出了改进的损失函数。
最后，本文提出的网络架构MARU-Net在公开的ISIC2018皮肤病数据集上与U-Net、
FCN-8s和FFU-Net进行对比实验，通过实验结果发现本文提出的MARU-Net在利用改
进损失函数的分割效果与对比模型相比得到了一定的提升。
关键词：图像分割；U-Net；注意力机制；残差机制
I
基于U-Net的医学图像分割算法研究及应用
ABSTRACT
Asanimportantreferencetoassistdoctorsinclinicaldiagnosis,howtoquicklyand
accuratelysegmentthetargetregionsinmedicalimageshasreceivedextensiveattentionfrom
researchers.Theapplicationofdeeplearningalgorithmstoimagesegmentationhasbecomea
mainstreammethod,butduetotheproblemsofirregularshapeoflesionareas,largecolour
variationsandclassimbalancebetweenpixelsinlesionareasandbackgroundareasinmedical
images,traditionaldeeplearningimagesegmentationalgorithmssuchasFCNandU-Netare
nolongersufficienttomeetthepracticalneedsintermsofsegmentationeffects.
Basedontheaboveproblems,thispaperproposesanoveldeeplearningnetwork(MARU-
Net)forimagesegmentation.Firstly,inordertoextracttheregionofinterestinmedicalimages,
achannelattentionmechanismiscombinedwithaspatialattentionmechanismtoextract
channelandspatialfeatureinformationfromthefeaturemap.Secondly,tofusetheshallowand
deepfeaturesoftheimageandpreventnetworkdegradation,theresidualmechanismis
intr