基于改进SCB-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CN112927237A(43)申请公布日2021.06.08(21)申请号202110262228.8G06T5/00(2006.01)(22)申请日2021.03.10G06T5/50(2006.01)(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号申请人山西白求恩医院（山西医学科学院）(72)发明人李钢张玲张海轩张勇鄂林宁李宇(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代理人冷锦超邓东东(51)Int.Cl.G06T7/10(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图2页(54)发明名称基于改进SCB-Unet网络的蜂窝肺病灶分割方法(57)摘要本发明公开了一种基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，实现蜂窝征CT影像数据集的自动分割技术，属于图像处理技术领域；采用SCB和U‑Net搭建融合网络，深入挖掘信号中的特征信息提高主任务的泛化能力，更准确地提取病灶特征；同时为了提高分割精确度，利用空洞卷积解决图像在卷积和反卷积过程当中的空间分辨率的丢失问题，之后利用条件随机场通过增加计算复杂性来提高模型的整体性能，最终实现病灶区域的精准分割。CN112927237ACN112927237A权利要求书1/1页1.基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，其特征在于，包括以下步骤：a）获取蜂窝肺CT影像数据，对所述影像数据进行预处理，并进行图像增强，实现数据集的扩充；b）构建基于带子编码块的U‑Net网络，使用上采样的方式代替全连接层和激活函数；c）对构建的U‑Net全卷积网络进行改进，改变上采样过程中的反卷积层操作，利用空洞卷积代替传统反卷积结构；d）在全卷积网络之后，使用条件随机场对预分割图像的边缘进行像素点的概率计算，重新调整像素点构成，构建分割网络模型；e）在所述的分割网络模型中，利用步骤a处理后的数据集进行训练，得到损失函数值和分割结果；f）根据损失值和分割结果调整网络参数，生成并保存训练好的分割网络模型，对分割后的结果利用评价指标进行评估。2.根据权利要求1所述的基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，其特征在于，步骤b具体是对带子编码块的三个卷积层进行特征提取，之后划分为上分支和下分支：上分支通过上采样和两个卷积操作之后再经过最大池化进行特征提取；下分支通过最大池化和两个卷积操作之后再经过上采样操作进行特征提取；最后将上分支和下分支获取的特征进行特征融合用于合并特征信息。3.根据权利要求1所述的基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，其特征在于，步骤c中设置空洞卷积的DR参数值，通过不同大小的感受野获取多尺度特征信息用于提高分割准确率。4.根据权利要求1所述的基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，其特征在于，步骤d中，使用条件随机场利用循环神经网络的迭代结构对预分割图像采用多次循环的方式进行求解；通过将条件随机场的每一个计算步骤转化到卷积神经网络中用于实现不同功能的隐藏层上，之后采用卷积神经网络的方法用于表征条件随机场的计算过程；条件随机场的建模公式为：（1）；公式（1）中，O为观测序列，I为隐状态序列，Z(O)为归一化参数；T={T1，T2，...，Tn}为序列图像的真实标签；M={M1，M2，...，Mn}为对应序列图像的预测标签，其中n为像素点的个数；λk为在模型训练中得到的并于特征fk相关权重中的值；为预测标签和真实标签中位置为i和i‑1标记的特征函数。5.根据权利要求1所述的基于改进SCB‑Unet网络的蜂窝肺病灶分割方法，其特征在于，所述的预处理是对CT影像数据进行二值化处理得到病灶区域的二值化图，并对原图当中的病灶区域进行标注得到标签图。2CN112927237A说明书1/4页基于改进SCB‑Unet网络的蜂窝肺病灶分割方法技术领域[0001]本发明属于图像处理技术领域，涉及一种基于改进SCB‑Unet网络的蜂窝肺病灶分割方法。背景技术[0002]间质性肺病是一组以肺实质广泛纤维化为特征的疾病，蜂窝征是肺间质纤维化的关键影像学证据，其用于辅助人工诊断，因此高效率、高精度的智能诊疗技术具有重大的研究和应用价值。目前对间质性肺病蜂窝征的评估主要依靠放射科医生对CT影像的观察诊断，这种视觉评估具有较强的主观性，依赖于医生的临床经验和对该种征象的认知能力，无法做到精准定量分析，因此运用计算机辅助诊疗技术对CT影像的蜂窝征进行精准分割，并实现量化分析，能够提高诊疗的准确性和时效性。[0003]近年来，随着卷积神经网络在医学图像分析领域的发展和应用，基于深度学习的方法已经成为医学