雨树

肝脏肿瘤的精准分割是临床诊断、手术规划及疗效评估的关键环节，传统手工分割方法高度依赖医师经验，存在耗时长、主观性强及可重复性低等问题。随着医学影像数据的快速增长，发展高效、准确的自动分割技术已成为医学图像分析领域的迫切需求。 近年来，深度学习技术，尤其是全卷积神经网络，在医学图像分割中展现出巨大潜力。其中，U-net网络以其独特的编码器-解码器结构和跳跃连接，在小样本医学数据上实现了优异的像素级分割效果，成为该领域的基准模型之一。然而，标准U-net在处理肝脏肿瘤图像时仍面临挑战：肝脏与肿瘤的灰度相似、边界模糊、肿瘤尺寸和形态差异巨大，以及图像中存在噪声伪影等问题，常导致分割精度不足、细节丢失或假阳性增多。 因此，针对肝脏肿瘤分割的特殊复杂性，对经典U-net结构进行针对性改进，提升其特征提取能力、上下文信息捕捉效率和边界分割精度，具有重要的理论意义与临床应用价值。本研究旨在探索改进U-net模型的有效途径，为实现更鲁棒、更精准的肝脏肿瘤自动分割提供可行方案。