[發明專利]基于REMU-Net的肺結節CT圖像分割算法

在審

• 申請號: 202211379072.2
• 申請日: 2022-11-04
• 公開（公告）號: CN115690126A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 李東潔;袁善良;王雪瑩;梁雨;高銳
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06V10/77;G06V10/774
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出了基于REMU?Net的肺結節CT圖像分割算法，包括：收集肺部CT圖像，對圖像進行預處理，提取肺實質以及感興趣劃分，預處理后將數據劃分為訓練集、驗證集以及測試集，對訓練集進行線上數據增強；在U?Net基礎上提出了REMU?Net，在ResNeSt塊的Split?Attention塊中引入空間注意模塊形成ResNeSt?SAM塊，利用ResNeSt?SAM塊構成的編碼器進行特征提取，隨后通過基于空洞空間金字塔池化模塊構成的特征增強模塊，獲得了更豐富的語義信息，接著利用多尺度跳躍連接進行多尺度特征的融合，最后通過解碼器逐漸恢復特征圖的尺寸，輸出分割肺結節的預測結果。本發明采用REMU?Net算法，大幅度提高了肺結節的分割精度，為醫生接下來的診斷提供了有力的支持。

技術領域：

本發明屬于深度學習醫學影像分割技術領域，具體涉及一種基于REMU-Net的肺結節CT圖像分割算法。

背景領域：

肺癌的發病率和死亡率很高。通過CT對肺部結節進行早期篩查可以降低20％的肺癌死亡率。然而，肺結節在CT圖像上看起來很小，其形態、亮度和其他特征與肺實質中的血管和其他組織相似，使得視覺檢查不足以區分它們。目前，肺結節的分割可以通過計算機視覺技術來解決，但分割結果不佳將直接影響醫生下一步的診斷。因此，如何提高肺結節的分割精度，將是值得研究的問題。

許多研究者利用深度學習技術解決上述問題，近年來，U-Net在醫學圖像分割中表現出優異的性能，但在分割肺部結節時，它不能準確地分割尺寸較小的結節。為了使其更準確地分割CT圖像中的肺部結節，基于U-Net提出了REMU-Net。首先，將最先進的ResNet變體ResNeSt作為U-Net的主干，并在ResNeSt的Split-Attention塊中引入空間注意模塊，使網絡能夠提取更多樣、更有效的特征。其次，在U-Net中引入了基于空洞空間金字塔池化模塊(ASPP)的特征增強模塊，利用它來獲得更豐富的語義信息。最后，用多尺度的跳過連接取代U-Net的跳過連接，克服了解碼器子網只能接受同尺度特征信息的限制。

發明內容：

為提高分割小尺寸肺結節的準確性，本發明提供一種基于REMU-Net的肺結節CT圖像分割算法，提高了肺結節分割方面的性能并且減少了漏判和假陽性的概率，為了達到上述目的，包括以下步驟：

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

步驟1.制作肺結節CT圖像數據集，并通過數據預處理程序劃分出不同比例的訓練集、測試集和驗證集；

步驟2.用步驟一中劃分得到的訓練集對網絡模型進行訓練，將肺結節CT圖像輸入到改進的ResNeSt塊進行特征提取，共經過14個改進的ResNeSt塊，獲得深層特征；

步驟3.將獲得的深層特征送入改進的空洞空間金字塔模塊，主要將空洞空間金字塔模塊輸出的特征與原輸入特征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的特征，接著將步驟三獲得的特征上采樣，與融合后的特征合并，接著通過兩個3*3卷積層獲得新的特征，接著重復上述操作三次，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節CT圖像分割預測分割結果；

步驟5.利用驗證集對模型的超參數進行調整，確定最佳超參數后，利用測試集對模型的分割性能進行評估；

優選的，本發明基于REMU-Net的肺結節CT圖像分割算法，使用ResNeSt-SAM塊作為主干網絡，增加了網絡獲得特征的多樣性和有效性，提高了網絡的魯棒性及分割性能。

優選的，步驟一中，使用收集到的醫學圖像數據集，并由專業醫生對肺結節進行標注，隨后利用預處理程序，對CT圖像進行肺實質提取以及感興趣區域劃分等，制作成網絡的輸入數據。