Um Método de Segmentação de Tumor Hepático em Múltiplas Escalas Baseado em Rede Aprimorada por Atenção Residual e Híbrida com Integração Contextual

O câncer de fígado é uma das malignidades com altas taxas de mortalidade em todo o mundo, e sua detecção oportuna e diagnóstico preciso são cruciais para melhorar o prognóstico do paciente. Para abordar as limitações das técnicas tradicionais de segmentação de imagem e da rede U-Net na captura de características finas da imagem, este estudo propõe um modelo aprimorado baseado na arquitetura U-Net, denominado RHEU-Net. Ao substituir os módulos de convolução tradicionais no codificador e decodificador por módulos residuais melhorados, as capacidades de extração de características da rede e a estabilidade do gradiente são aprimoradas. Um módulo de Atenção Híbrida em Portas (HGA) é integrado antes das conexões de atalho, permitindo o processamento paralelo das atenções de canal e espacial, otimizando a estratégia de fusão de características e reabastecendo efetivamente os detalhes da imagem. Uma camada de Aprimoramento de Características em Múltiplas Escalas (MSFE) é introduzida no gargalo, utilizando tecnologia de extração de características em múltiplas escalas para aprimorar ainda mais a expressão dos campos receptores e informações contextuais, melhorando o efeito geral da representação de características. Testes no conjunto de dados LiTS2017 demonstraram que o RHEU-Net alcançou escores de Dice de 95,72% para segmentação do fígado e 70,19% para segmentação do tumor. Esses resultados validam a eficácia do RHEU-Net e sublinham seu potencial para aplicação clínica.