一种基于SAA-Unet网络的蜂窝肺病灶分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114170245A(43)申请公布日2022.03.11(21)申请号202111460997.5(22)申请日2021.12.02(71)申请人太原理工大学地址030024山西省太原市迎泽西大街79号(72)发明人李钢张玲张海轩卫建建李鹏博李宇(74)专利代理机构太原高欣科创专利代理事务所(普通合伙)14109代理人崔浩冷锦超(51)Int.Cl.G06T7/11(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书4页附图2页(54)发明名称一种基于SAA-Unet网络的蜂窝肺病灶分割方法(57)摘要本发明一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，属于图像处理技术领域；所要解决的技术问题为：提供一种基于SAA‑Unet网络的蜂窝肺病灶分割方法的改进；解决上述技术问题采用的技术方案为：使用U‑Net为基础网络，深入挖掘蜂窝肺病灶部位中的特征信息提高主任务的泛化能力，更精准地提取蜂窝肺病灶特征；同时为提高模型分割精确度，通过使用划分注意模块解决图像在卷积和反卷积过程当中的特征丢失问题，最后使用注意力机制通过融合高底层特征信息，提高重要病灶区域的权重值，从而实现网络模型对蜂窝肺病灶区域的分割准确率；本发明应用于蜂窝肺病灶分割。CN114170245ACN114170245A权利要求书1/2页1.一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：包括如下步骤：步骤一：构建数据集：获取不同年龄段蜂窝肺患者的CT影像数据，对数据进行标注、预处理，并通过预设比例进行训练集、测试集、验证集的划分；步骤二：构建基础U‑Net网络，将网络最后一层设置为1×1卷积和Sigmoid激活函数；步骤三：对构建的基础U‑Net网络进行改进，在编码器阶段使用划分注意力模块来提取蜂窝肺图像深层和浅层的特征信息，在跳跃连接和解码器特征融合阶段采用注意力机制，重点关注容易被忽略的图像通道的细节特征，实现特征通道响应的重新校准，得到基于SAA‑Unet的融合分割模型；步骤四：利用训练集对融合分割模型进行训练，得到融合分割模型的预测值与真实值之间的损失误差，根据损失误差对融合分割模型的参数调优，生成并保存训练后的融合分割模型；步骤五：将预测图像输入调优的融合分割模型中，输出蜂窝肺病灶区域的分割结果图。2.根据权利要求1所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述步骤一中对获取的不同年龄段蜂窝肺患者的CT影像数据进行的预处理包括：二值化处理：对初始CT图像进行二值化处理得到病灶区域的二值图；图像增强处理：对图像进行图像增强，实现数据集的扩充，其中数据增强措施包括对原始数据进行加噪、提高图像对比度。3.根据权利要求2所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述图像增强处理的具体步骤为：首先对获得的蜂窝肺CT图像进行裁剪；然后使用高斯函数对裁剪后的图像添加噪声；最后对裁剪后的图像进行随机对比度、亮度、色调和饱和度的增强。4.根据权利要求1所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述步骤二中通过采用1×1卷积和Sigmoid激活函数的方式实现跨通道的交互和信息整合，进行卷积核通道数的降维和升维操作，其中1×1卷积核的卷积过程相当于在全连接层的计算过程中加入非线性激活函数。5.根据权利要求1所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述步骤三中的划分注意力模块的结构为：由一组特征映射和分割‑注意操作组成的一个计算单元，通过使特征在不同的特征映射组之间进行映射，学习不同尺度的特征信息；通过使用并行且具有相同拓扑结构的划分注意力模块代替模型中的卷积模块。6.根据权利要求1所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述步骤三中采用注意力机制通过突出关注卷积和上采样过程中重要特征信息，实现对突出区域的关注和对不相关背景区域的抑制。7.根据权利要求1所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述步骤四中融合分割模型参数的更新具体步骤为：利用构建好的分割网络对经过预处理和数据扩充后的数据集进行训练，计算损失函数值，更新网络超参数和融合分割模型权重，并通过测试集对预训练后的模型进行测试，获得分割结果。8.根据权利要求1所述的一种基于SAA‑Unet网络的蜂窝肺病灶分割方法，其特征在于：所述步骤五中在将待测图像输入调优的融合分割模型之前，通过标注的测试集对训练2CN114170245A权利要求书2/2页好的融合分割模型进行评估，具体通过图像分割模型的通用评价指标对最终生成的融合分割