前言
针对医学图像中分辨率低、边缘模糊和感兴趣区域边界模糊导致分割不准确的问题，提出了一种新的Mobile-Unet网络肺结节图像分割方法。该方法首先用MobileNet中的bneck模块代替Unet网络的下采样部分，并从输入图像中提取特征；然后，根据Unet网络的连接方法，将下采样提取的特征融合到上采样部分；最后，利用训练好的网络得到分割结果。
实验使用收集的肺结节数据集来训练和验证移动Unet。结果表明，新的移动Unet网络可以更准确地分割肺结节的位置，分割精度从原始Unet网络的85.00%提高到90.00%，相似系数（F1）仍然稳定在89.98%，证明了该方法的有效性
实验准备
项目整体实现步骤如下：
- 图像预处理
- 网络算法架构（Unet网络&MobileNetV3网络）
- 结合上述二者网络
数据集欲处理
本文所使用的数据集图像格式为DICM 格式。数据集中共有20例病,这些病人共有400张CT图像，其中400多张CT图像可能一1到2个节点（一个节点可能含有多个切片），将有结节部分的图像400多张CT图像挑选部分组成数据集。
为了使数据集可以完美应用到网络模型中，我们需要对数据集进行归一化处理，使用Unet网络时候需要将掩膜作为原始图像的标签，使用标注软件对节点位置进行人工标注生成掩膜图像。掩膜中含有2个像素点，分别是0和1；1代表节点所在的像素，0代表非节点所在的像素。
网络架构
为了提高肺节点图像精度和效率，我们可以结合：Mobile-Unet网络模型，其中主干网络选用MobileNetV3轻量级网络，任务网络选用常用的Unet网络。
该网络通过融合深层特征的方式提取表达性较强的特征，解决分割精度难以提升的问题；采用MobileNetV3网络特征提取可以降低模型复杂度、减少训练时的参数量，从而提高网络的收敛速度。
实验
本文将数据集(217张图片) 划分为训练集、验证集和测试集，训练集用以训练模型，验证集用以对模型进行调优工作，测试集用以测试模型的性能。首先，取出后200张图片；然后，使用机器学习包中的split方法将图片划分为训练集和验证集，划分比例为9：1；最后，将图片前17张作为测试集。
将训练集送入Mobile-Unet网络训练,训练过程的误差曲线如下图所示。 由下图可以看出:训练集和验证集的误差都随着步数的增加而下降,最后趋于稳定,并且误差降到 1%以下,说明该模型对偏差控制得很好;训练集和验证集稳定后的误差接近 说明该模型的方差比较小。
