肺栓塞是现今生活中常见的肺部疾病,它形成的原因是肺动脉中的栓子堵塞了血管,从而引起的肺部血液循环障碍。通常这种疾病轻则引发胸闷胸痛,重则危及生命。近年来,在全球范围内,患有肺栓塞疾病的人数逐年升高,并且患病后的死亡率较高。产生这种情况的部分原因在于早期的肺栓塞不易被及时发现和治疗,还有部分原因在于这种疾病的误诊率相对较高。肺栓塞主流的诊断方式为肺动脉CT血管造影技术,利用该技术可以将肺部动脉在计算机中清晰的成像,有助于医生对疾病的诊断。在当前肺栓塞疾病发病率较高的背景下,医生通过阅片诊断该疾病需要花费大量的时间和精力,为了缓解这一现状,本文希望研究一种辅助医生诊断肺栓塞的可行性方法。近年来,利用深度学习辅助医生诊断逐渐成为一种趋势,尤其对深度学习中卷积神经网络的应用越来越广泛。卷积神经网络可以有效的对图像进行特征提取,快速又准确的预测目标的类别和位置等信息。在医学图像领域,图像分割是非常必要的,因为在疾病诊断的过程中不仅仅要判断它的类型,还要量化疾病的区域,进行逐像素的分割和计算。目前已经有大量工作将卷积神经网络中的分割模型应用在医学图像数据集中,经过实验表明,许多模型能够达到医生的诊断水平,因此利用卷积神经网络对肺栓塞分割是一项非常有意义的研究工作。本文对肺栓塞疾病和卷积神经网络中的图像分割模型进行了深入的研究,基于开源的肺栓塞数据集,提出了一种混合域注意力机制的肺栓塞分割方法。混合域注意力机制是指分别在空间域和通道域上添加注意力机制,这种机制使模型在学习的过程中更关注在空间和通道中的重要信息,忽略和抑制无关信息,本文对这种注意力机制的实现的方式是利用scSE模块对输入特征不断地进行权重的调整。为了验证scSE的在本实验中的有效性,选用U-Net为基础网络,加入scSE对U-Net改进,实验结果表明改进后的网络在肺栓塞数据集上取得了0.837的Dice值,相比于原网络的结果提高了3.4%,证明了混合域注意力机制能够有效提升基础网络对肺栓塞分割的准确率。为了验证本文研究的改进模型的合理性,文中还加入了一系列附加对比实验,设计了多种在U-Net基础上加入注意力机制的网络变体:cSE-U-Net、sSE-U-net、scSE-U-Net(encoding path)和scSE-UNet(decoding path),这些网络都在不同程度上对基础网络有所提升,但是结果仍然低于本文研究的模型,进一步验证了本文网络模型对肺栓塞分割的科学性和有效性。