[發(fā)明專利]基于REMU-Net的肺結(jié)節(jié)CT圖像分割算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211379072.2
• 申請(qǐng)日: 2022-11-04
• 公開（公告）號(hào): CN115690126A
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 李東潔;袁善良;王雪瑩;梁雨;高銳
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/00;G06V10/77;G06V10/774
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于REMU-Net的肺結(jié)節(jié)CT圖像分割算法，其特征在于，所述方法具體過程為：

步驟1.制作肺結(jié)節(jié)CT圖像數(shù)據(jù)集，并通過數(shù)據(jù)集預(yù)處理程序后劃分出不同比例的訓(xùn)練集、測(cè)試集和驗(yàn)證集；

步驟2.用步驟1中劃分得到的訓(xùn)練集對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將肺結(jié)節(jié)CT圖像輸入到改進(jìn)的ResNeSt塊進(jìn)行特征提取，共經(jīng)過14個(gè)改進(jìn)的ResNeSt塊，獲得深層特征；

步驟3.將獲得的深層特征送入改進(jìn)的空洞空間金字塔模塊，將空洞空間金字塔模塊輸出的特征與輸入特征1:1合并，從而在保留了原深層特征外獲得了多尺度信息；

步驟4.利用多尺度跳躍連接融合各解碼器子網(wǎng)的特征，接著將步驟3獲的特征上采樣，與融合后的特征合并，接著通過兩個(gè)3*3卷積層獲得新的特征，接著重復(fù)上述操作三次，最后使得輸出的特征圖與輸入尺寸相同，即輸出的特征圖為肺結(jié)節(jié)CT圖像分割預(yù)測(cè)分割結(jié)果；

步驟5.利用驗(yàn)證集對(duì)模型的超參數(shù)進(jìn)行調(diào)整，確定最佳超參數(shù)后，利用測(cè)試集對(duì)模型的分割性能進(jìn)行評(píng)估。

2.根據(jù)權(quán)利要求1所述的基于REMU-Net的肺結(jié)節(jié)CT圖像分割算法，其特征在于，步驟2中利用了改進(jìn)的ResNeSt塊構(gòu)成編碼結(jié)構(gòu)，在ResNeSt塊的Split-Attention塊中引入空間注意模塊，提高了模型的魯棒性及分割性能。

3.根據(jù)權(quán)利要求1所述的REMU-Net的肺結(jié)節(jié)CT圖像分割算法，其特征在于，步驟3在空洞空間金字塔池化模塊中添加了短連接，獲得了上下文信息以及豐富的語義信息，大大提高了網(wǎng)絡(luò)的分割性能。

4.根據(jù)權(quán)利要求1所述的REMU-Net的肺結(jié)節(jié)CT圖像分割算法，其特征在于，步驟4中將U-Net的跳躍連接更換為多尺度跳躍連接，主要將四個(gè)編碼器子網(wǎng)的輸出進(jìn)行合并，融合后的各解碼器子網(wǎng)特征信息占比為1:1:1:3，其中與解碼器子網(wǎng)分辨率相同的編碼器子網(wǎng)特征信息占比最大，克服了解碼器子網(wǎng)只能接受同尺度信息的局限性，獲得了多尺度信息。