[發(fā)明專利]一種殘差ECA通道注意力UNet結(jié)合TRW-S的肺結(jié)節(jié)分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210290186.3
• 申請(qǐng)日: 2022-03-23
• 公開（公告）號(hào): CN114677511A
• 公開（公告）日: 2022-06-28
• 發(fā)明（設(shè)計(jì)）人: 夏平;張光一;彭程;雷幫軍;唐庭龍;徐光柱
• 申請(qǐng)（專利權(quán)）人: 三峽大學(xué)
• 主分類號(hào): G06V10/26
• 分類號(hào): G06V10/26;G06V10/34;G06V10/82;G06V10/84;G06T7/12;G06T7/143;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 宜昌市三峽專利事務(wù)所 42103
• 代理人: 余山

1.一種殘差ECA通道注意力UNet結(jié)合TRW-S的肺結(jié)節(jié)分割方法，其特征在于，它包括以下步驟：

步驟1：讀取肺部CT影像，對(duì)影像進(jìn)行預(yù)處理；

步驟2：切割出肺結(jié)節(jié)圖片并生成對(duì)應(yīng)的掩膜；

步驟3：對(duì)獲取的肺結(jié)節(jié)圖片及對(duì)應(yīng)的掩膜進(jìn)行數(shù)據(jù)集的劃分以獲得訓(xùn)練集、驗(yàn)證集、測(cè)試集；

步驟4：構(gòu)建殘差ECA通道注意力UNet深度學(xué)習(xí)網(wǎng)絡(luò)；

步驟5：將所獲得的訓(xùn)練集、驗(yàn)證集輸入構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

步驟6：將所獲得的測(cè)試集輸入訓(xùn)練好的網(wǎng)絡(luò)中以獲得預(yù)測(cè)圖；

步驟7：將預(yù)測(cè)圖輸入基于馬爾科夫隨機(jī)場(chǎng)的順序樹加權(quán)信息傳遞算法(TRW-S)進(jìn)行邊緣平滑；

步驟8：輸出預(yù)測(cè)圖像。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟1中，讀取目標(biāo)數(shù)據(jù)集中指定格式的肺部CT影像；將CT影像的窗位、窗寬進(jìn)行調(diào)整。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟2中，切割出CT圖像中具有肺結(jié)節(jié)的部分，并生成肺結(jié)節(jié)對(duì)應(yīng)的掩膜圖片。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟4中，所構(gòu)建的殘差ECA通道注意力UNet深度學(xué)習(xí)網(wǎng)絡(luò)具體為：

輸入層→卷積模塊→第一個(gè)殘差ECA通道注意力模塊→第一個(gè)最大池化層→第二個(gè)殘差ECA通道注意力模塊→第二個(gè)最大池化層→第三個(gè)殘差ECA通道注意力模塊→第三個(gè)最大池化層→第四個(gè)殘差ECA通道注意力模塊→第四個(gè)最大池化層→空洞卷積金字塔模塊→第一次兩倍上采樣；

第一次兩倍上采樣形成的特征圖與第四個(gè)殘差ECA通道注意力模塊形成的特征圖進(jìn)行通道融合→第一個(gè)ECA通道注意力模塊→第二次兩倍上采樣；

第二次兩倍上采樣形成的特征圖與第三個(gè)殘差ECA通道注意力模塊形成的特征圖進(jìn)行通道融合→第二個(gè)ECA通道注意力模塊→第三次兩倍上采樣；

第三次兩倍上采樣形成的特征圖與第二個(gè)殘差ECA通道注意力模塊形成的特征圖進(jìn)行通道融合→第三個(gè)ECA通道注意力模塊→第四次兩倍上采樣；

第四次兩倍上采樣形成的特征圖與第一個(gè)殘差ECA通道注意力模塊形成的特征圖進(jìn)行通道融合→第四個(gè)ECA通道注意力模塊→卷積模塊→sigmoid函數(shù)→預(yù)測(cè)圖。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟5中，在進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)，使用二元交叉熵與置信度結(jié)合的損失函數(shù)，使用Nadam作為優(yōu)化函數(shù)，使用交并比作為模型的評(píng)價(jià)指標(biāo)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟7中對(duì)預(yù)測(cè)圖構(gòu)建馬爾科夫隨機(jī)場(chǎng)，對(duì)二元項(xiàng)進(jìn)行平滑處理，提高分割效果的邊緣連續(xù)性與區(qū)域內(nèi)部一致性，具體包括以下步驟：

7-1)在深度學(xué)習(xí)網(wǎng)絡(luò)輸出的灰度預(yù)測(cè)圖中構(gòu)建馬爾科夫隨機(jī)場(chǎng)，將圖像的每個(gè)像素作為馬爾科夫隨機(jī)場(chǎng)的一個(gè)節(jié)點(diǎn)，使用像素灰度值作為節(jié)點(diǎn)的一元項(xiàng)權(quán)重；

7-2)構(gòu)建基于馬爾科夫隨機(jī)場(chǎng)的順序樹加權(quán)信息傳遞算法(TRW-S)對(duì)分割邊緣進(jìn)行二元項(xiàng)平滑，其中的一元項(xiàng)權(quán)重即通過分割網(wǎng)絡(luò)產(chǎn)生的分割結(jié)果的像素?cái)?shù)值大小。