摘要

目的 针对临床CT图像中肺部肿瘤因体积较小、边界模糊、形态差异大及周围组织纹理复杂，导致传统分割方法难以稳定获取准确边界的问题，旨在构建一种能够精准识别并分割肺部肿瘤区域的深度学习模型，以辅助临床进行肺癌早期筛查与病灶定量评估。方法 采用Lung-PET-CT-Dx、MSD和QIN-LungCT三个公开肺癌CT数据集进行实验，并与多种基线模型进行比较。所提模型结合输入相关局部动态卷积（IRConv）、全局空间自注意力（GSA）和Meta-ACON激活函数，分别增强小病灶与弱边界特征表达、建模病灶与肺部解剖结构间的长距离依赖，并提升模型泛化能力。采用mIoU、F1-score、MAE和Accuracy评价分割性能。结果在Lung-PET-CT-Dx数据集上，本模型mIoU达0.728,F1-Score为0.851,MAE降至0.012，准确率达0.928;在MSD数据集上，本模型mIoU达0.758,F1-Score为0.864,MAE降至0.010;在QIN-LungCT数据集上，本模型mIoU达0.731,F1-Score为0.847,MAE降至0.011，准确率达0.908。在基线模型对比实验中，本模型在Lung-PET-CT-Dx和QINLungCT数据集上的准确率均优于所有对比模型，各项定量指标均取得了最优的统计结果。结论 该模型能够提高肺部CT肿瘤分割的准确性与鲁棒性，可为肺癌辅助诊断和病灶定量分析提供算法支撑和理论参考。

关键词