[發明專利]一種殘差ECA通道注意力UNet結合TRW-S的肺結節分割方法

在審

• 申請號: 202210290186.3
• 申請日: 2022-03-23
• 公開（公告）號: CN114677511A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 夏平;張光一;彭程;雷幫軍;唐庭龍;徐光柱
• 申請（專利權）人: 三峽大學
• 主分類號: G06V10/26
• 分類號: 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所 42103
• 代理人: 余山

一種殘差ECA通道注意力UNet結合TRW?S的肺結節分割方法，它包括以下步驟：步驟1：讀取肺部CT影像，對影像進行預處理；步驟2：切割出肺結節圖片并生成對應的掩膜；步驟3：對獲取的肺結節圖片及對應的掩膜進行數據集的劃分以獲得訓練集、驗證集、測試集；步驟4：構建殘差ECA通道注意力UNet深度學習網絡；步驟5：將所獲得的訓練集、驗證集輸入構建的深度學習網絡中進行訓練；步驟6：將所獲得的測試集輸入訓練好的網絡以獲得預測圖；步驟7：將預測圖輸入基于馬爾科夫隨機場的順序樹加權信息傳遞算法(TRW?S)進行邊緣平滑；步驟8：輸出預測圖像。

技術領域

本發明屬于圖像分割技術領域，具體涉及到一種殘差注意力UNet網絡與順序樹重加權信息傳播(TRW-S)算法結合的肺結節分割方法。

背景技術

肺癌是如今全球發病率最高的癌癥，占所有癌癥發病率的11.6％，2019年肺癌位居中國男性發病第一位，吸煙是導致肺癌的最重要原因。肺部惡性結節是肺部腫瘤產生的先兆，表現在CT圖像上的特征是直徑小于3cm的肺部高密度白影或者磨玻璃狀虛影，使用分割算法對肺部結節進行病灶分割會輔助醫生對于病情的判斷。也可以通過分割下來的病灶進行進一步的病灶良惡性分類。盡早的發現，辨別，跟蹤，去除惡性肺結節病灶是預防肺癌的重要手段。人工進行肺結節的篩選，分辨往往需要消耗影像科醫生大量的時間精力，使用機器算法能夠輔助醫生進行診斷，減小醫生的工作強度。

運用端到端的深度學習網絡進行圖像分割已經成為圖像語義分割的主流，基于Unet及其改進的全卷積神經網絡通過訓練，可以對肺部結節進行像素級分類，最后輸出二值圖像標記出肺結節區域及其邊緣。全卷積網絡結合高維的位置信息和低維的邊緣信息，通過解碼-編碼模式完成語義分割的任務。但不足在于：肺結節的CT影像由于邊緣容積效應的影響，采用Unet及其改進網絡進行分割往往存在著邊緣模糊的問題，并且一些病灶較小、或病灶組織與周圍組織差異較小時，肺結節比較難以完整的分割出來。通過引入了經過處理的公開數據集，將其與現有的通用醫學圖像分割方法進行對比，可以發現，采用UNet及其改進方法無法得到較好的肺結節分割效果；其根本原因在于：這些網絡訓練過程中波動較大，無法很好的獲取通道之間的聯系，并且最后的結果邊緣定界模糊，甚至在病變區域內部存在一些錯誤判斷的問題；本發明的目的是為了解決所述的技術問題。

發明內容

本發明的目的是為了解決采用UNet及其現有的UNet改進網絡對肺部結節進行分割存在的邊緣定界模糊、病變區域內部分割不一致的技術問題。

一種殘差ECA通道注意力UNet結合TRW-S的肺結節分割方法，它包括以下步驟：

步驟1：讀取肺部CT影像，對影像進行預處理；

步驟2：切割出肺結節圖片并生成對應的掩膜；

步驟3：對獲取的肺結節圖片及對應的掩膜進行數據集的劃分以獲得訓練集、驗證集、測試集；

步驟4：構建殘差ECA通道注意力UNet深度學習網絡；

步驟5：將所獲得的訓練集、驗證集輸入構建的深度學習網絡中進行訓練；

步驟6：將所獲得的訓練集輸入訓練好的神經網絡中以獲得預測圖；

步驟7：將預測圖輸入基于馬爾科夫隨機場的順序樹加權信息傳遞算法(TRW-S)進行邊緣平滑；

步驟8：輸出預測圖像。

在步驟1中，讀取目標數據集中指定格式的肺部CT影像；將CT影像的窗位、窗寬進行調整。

在步驟2中，切割出CT圖像中具有肺結節的部分，并生成肺結節對應的掩膜圖片。

在步驟4中，所構建的殘差ECA通道注意力UNet深度學習網絡具體為：