目的 肺栓塞（pulmonary embolism, PE）是一种由血液凝块阻塞肺动脉或其分支引发的严重疾病，具有较高的发病率和死亡率。计算机断层扫描肺动脉造影（computed tomographic pulmonary angiography ，CTPA）现已成为诊断PE的首选方法，被广泛认为是PE诊断的金标准。急性肺栓塞的血凝块负荷与短期预后密切相关，因此，准确分割PE并评估其体积对制定治疗方案至关重要。然而，准确分割CTPA图像中的肺栓塞面临挑战，尤其是在处理小栓子和多发栓子时。为此，本研究提出了一种基于深度学习的大感受野和增强多尺度融合的全卷积网络模型(（large-scale feature fusion and enhancement Network，LFE-Net），以提高肺栓塞分割的准确性和效率。

方法 本研究回顾性收集了2022年3月至2023年1月期间，在徐州医科大学附属医院接受CTPA检查的53例疑似PE患者数据，所有图像经匿名处理后，使用3D Slicer软件对PE进行了逐层标注。LFE-Net模型选用ConvNeXt作为骨干网络，结合空洞空间金字塔池化和卷积块注意力机制模块进行构建。为了提升模型的泛化能力，采用了五折交叉验证方法，并通过几何变换进行数据增强。模型性能通过DICE系数、召回率、交并比、精确率和F1 Score指标进行评估，并与U-Net、U-Net++、DeepLabV3和Attention U-Net四种基本模型进行了对比分析。

结果 实验结果表明，LFE-Net在多个评估指标上表现优异：DICE系数为84.4%，Recall为85.8%，IoU为76.7%，精确率为86.5%，F1 Score为83.8%。相较于其他模型，LFE-Net在处理复杂的CTPA图像时表现出更高的准确性和鲁棒性，特别是在小栓子和多发栓子的分割任务中，展现了显著的性能优势。

结论 本研究基于深度学习卷积神经网络构建的LFE-Net模型实现对肺动脉栓塞的精准分割，有助于量化肺栓塞体积，辅助临床医师快速检测诊断，并对预后做出判断。