[發明專利]一種基于CHS-Net網絡的醫學圖像分割方法

在審

• 申請號: 202110257666.5
• 申請日: 2021-03-09
• 公開（公告）號: CN113096071A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 王小華;陳亮;張娜;韓鋒;王美娟
• 申請（專利權）人: 山西三友和智慧信息技術股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/13;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳科潤知識產權代理事務所(普通合伙) 44724
• 代理人: 李小妮

1.一種基于CHS-Net網絡的醫學圖像分割方法，其特征在于：包括下列步驟：

S100、數據采集：在公開的COVID-19肺炎CT圖像中采集相關數據；

S200、數據預處理：對數據集進行預處理，包括數據切片、數據標注、數據縮放和數據劃分四種方式；

S300、模型構建：從融合的數據集中獲得訓練集和測試集，基于CHS-Net分割網絡模型通過將U-Net、Inception、ResNet和Attention融合構造形成新的融合網絡模型，將組建好的訓練集與其對應標簽輸入網絡，通過網絡的的迭代優化，進行模型的訓練；

S400、模型評價：當損失函數不在下降且評價結果最優，則對模型進行保存和評價。

2.根據權利要求1所述的一種基于CHS-Net網絡的醫學圖像分割方法，其特征在于：所述S100數據采集中，收集有關新冠肺炎的公共數據集，數據源來自由政府規范和個人隱私而擁有COVID-19CT分割數據集的開放存取數據倉庫。

3.根據權利要求2所述的一種基于CHS-Net網絡的醫學圖像分割方法，其特征在于：所述S200數據預處理中，數據切片、數據標注、數據縮放和數據劃分方式如下：

數據切片：將獲取數據集中的圖像進行切片，同時將切片圖像中黑色或深色像素進行人工過濾，切片尺寸為256×256，每個切片都有與病灶相關的肺炎區域，最終形成3560個CT切片組成的數據集；

數據標注：切片由放射專家進行標注，生成分割掩模，切片每個像素都用類別標簽標記為1或0，其中1表示像素中具有與病灶相關的感興趣區域，0表示背景；

數據縮放：按照卷積神經網絡輸入圖片的尺度對數據集數據大小進行統一調整為256×256；

數據劃分：對所有數據進行歸一化操作，方式為對每個像素點除以225，將構成的數據集按照7：3進行數據劃分，分成訓練集和測試集，測試集用于測試模型效果。

4.根據權利要求3所述的一種基于CHS-Net網絡的醫學圖像分割方法，其特征在于：所述S300模型構建中，模型通過將兩個RAIU-Net串聯在一起，其中第一個模型生成肺炎輪廓圖，第二個模型利用這些輪廓圖識別感染區域，模型的深度分為四個階段，每個階段提取不同空間維度的信息形成特征圖。

5.根據權利要求4所述的一種基于CHS-Net網絡的醫學圖像分割方法，其特征在于：所述S300模型構建中，第一個RAIU-Net模型以U-Net為基礎框架，將編碼極端中的每個二維卷積被替換為Residual Inception block進行特征提取，Residual Inception block中的Residual用于提高模型的深度和寬度，提取更復雜的特征信息，公式為F(x)＝H(x)-x，H(x)為殘差網絡的輸出，F(x)為經過卷積操作的輸出，Inception將某一層網絡卷積核拆分成不同尺寸的卷積核，用混合池化和批標準化協方差減少內部轉移并利用ReLU非線性激活函數進行特征的充分組合，混合池化將最大池化和光譜池化進行混合使用；解碼階段利用殘差函數將層重新定義為對應于層輸入的學習，從上一個層的Residual Inception block提取的特征圖利用深度注意網絡以處理提取的特征圖，并保留最相關的高或低功能映射。

6.根據權利要求5所述的一種基于CHS-Net網絡的醫學圖像分割方法，其特征在于：所述S300模型構建中，其中的深度注意網絡將注意機制中引入混合池化層，提取最顯著的特征，并生成注意描述符，為輸入層推斷出鮮明的目標特征，之后將其特征信息與該層對應的轉置卷積進行特征連接，表示擴展階段的相似空間維度，使用跳過連接，深度注意網絡中采用1×1卷積用于減小深度和空間維數，同時第二個RAIU-Net模型進行上述同樣的操作用于識別感染區域，完成模型的構建與訓練。