一种基于CT影像的轻量化分割方法技术

本发明专利技术提出一种基于CT影像的轻量化分割方法。首先，对带有病灶分割标签的数据集预处理。其次，构建一种轻量化的肺炎分割网络，并用上述数据集进行训练和测试。轻量化的肺炎分割网络以编码器

【技术实现步骤摘要】
一种基于CT影像的轻量化分割方法


[0001]本专利技术涉及医学影像处理领域，具体涉及一种基于CT影像的轻量化分割方法。

技术介绍

[0002]计算机辅助诊断是辅助医生进行快速、准确诊断的重要手段。深度神经网络受益于精度高的优点，逐渐代替传统方法成为主流分割方式。现有的分割网络，能较好的实现医学影像分割。但改进后的模型都较为复杂，尽管获得了更好的性能，却往往要以大量的算力作为代价。同时，复杂网络往往需要消耗大量的内存和计算机资源，并且难以直接部署到嵌入式平台和移动终端上。当网络参数减少时，大部分轻量化的网络模型出现分割性能急剧下降、算力受限等问题。为了使深度学习语义分割在医学领域更好的发展和应用，解决网络参数量大的问题。缩小输入训练样本是最直接，也是最容易的方法。但这种方法的缺点也很明显，输入尺寸和数据量的减少，会使得网络在训练过程中丢失空间信息和边缘细节信息，直接导致分割效果变差。最佳方式则是对深度学习的框架进行设计和改造。当前，面临的重要难题是确保网络性能基本不变的同时构建轻量级网络，实现减小参数量、降低计算资源要求。因此，设计一种基于CT影像的轻量化分割方法是解决该问题的关键。

技术实现思路

[0003]本专利技术目的是针对目前现有技术的不足，提供一种基于CT影像的轻量化分割方法，以解决上述
技术介绍
中的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：获取带有病灶分割标签的数据集，对数据集进行预处理。处理后的图片格式固定为512
×
512，以8:2的比例构建训练集和测试集。构建一种基于CT影像的轻量化分割网络，并用上述数据集进行训练和测试。为了提高图像的分割效率，需对模型结构剪枝，目的在于减少模型结构在计算过程中的冗余连接。结合肺炎病灶的语义层次特点，本专利技术对原始主干网络通过剪枝的方案。使得网络保留较多信息、维持原网络的准确率的同时起到减少网络计算量和储存量的作用。经过实验，设计出一种基于CT影像的轻量化分割网络，以编码器
‑
解码器为主体结构。编码器部分包括3次下采样，用于获取CT影像中上下文的局部特征信息。解码器部分包括3次上采样，用于读取CT影像的高层次语义信息。单一的交叉熵损失函数在网络训练中存在收敛过慢的问题，结合肺炎影像特点，将重叠度损失函数（Dice Loss）与交叉熵损失函数（BCE Loss）结合作为新的损失函数。该网络中，输出层使用Sigmoid激活函数，将输出响应的阈值控制在[0,1]范围内，得到掩膜图像。其他卷积层使用Swish激活函数。
[0005]作为本专利技术进一步的方案：每个采样过程包括2个卷积核尺寸为3*3的卷积层、卷积核为2*2的最大池化操作。每次卷积后进行标准化（Batch Normalization , BN）和Swish激活函数处理。
[0006]作为本专利技术进一步的方案：输出层使用Sigmoid激活函数，其他卷积层使用Swish
激活函数。
[0007]作为本专利技术进一步的方案：将重叠度损失函数（Dice Loss）与交叉熵损失函数（BCE Loss）结合作为新的损失函数。从全局的角度逐像素拉进的同时解决了收敛过慢的问题，进一步提分割性能。
[0008]（1）式（1）为交叉熵损失函数。为one
‑
hot向量。
[0009]（2）式（2）为Dice损失函数。为预测结果，为样本标签。
[0010]（3）式（3）为本专利技术使用的损失函数。
[0011]本专利技术的分割方法与U
‑
Net原始网络相比，准确率（Accuracy）提升了0.01个百分点，类别平均像素准确率（Mean Pixel Accuracy，MPA）降低了0.43个百分点，平均交并比（Mean Intersection over Union，MIoU）提升了0.1个百分点。网络运算时间减少了20.83个百分点。实验数据表明，对网络的剪枝操作，在网络参数量减少的情况下，剪枝前后模型性能变化较小，运算速度和运行效率明显提升。该专利技术中的分割结构，较为稳定，与现有结构相比，具有一定参考价值。
[0012]附图说明：图1是本专利技术的轻量化分割肺炎网络结构图图2是本专利技术使用的Swish激活函数的图像具体实施步骤：下面结合附图对本专利技术做进一步详细说明。
[0013]图1是本专利技术的轻量化肺炎分割网络结构图。本专利技术中的网络结构由编码器—解码器构成主体结构。编码器部分包括3次下采样，解码器部分包括3次上采样。每个采样过程包括2个卷积核尺寸为3*3的卷积层、卷积核为2*2的最大池化操作。每次卷积后进行标准化（Batch Normalization , BN）和Swish激活函数处理。输出层使用Sigmoid激活函数，其他卷积层使用Swish激活函数。
[0014]图2是本专利技术使用的Swish激活函数的图像。本专利技术输出层使用Sigmoid激活函数，其他卷积层使用Swish激活函数。相较于ReLU，Swish激活函数在x>0时，不存在梯度消失的情况；x<0时，神经元也不会像ReLU一样出现未激活的情况。
[0015]以上所述，仅为本专利技术专利较佳的具体实施方式，但本专利技术专利的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术专利揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本专利技术专利的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明提出一种基于CT影像的轻量化分割方法，整体结构设计由编码器和解码器组成，整体结构设计，具有轻量化、对称等特点。2.根据权利要求1所述的基于CT影像的轻量化分割方法，其特征在于所述的分割结构，每个采样过程包括2个卷积核尺寸为3*3的卷积层、卷积核为2*2的最大池化操作，每次卷积后进行标准化（Batch Normalization , BN）和Swish激活函数处理，输出层使用Sigmoid激活函数，其他卷积层使用Swish激活函数，从全局的角度逐像素拉进的同时解决了收敛过慢的问题，将重叠度损失函数（Dice Loss）与交叉熵损失函数（BCE Loss）结合作为新的损失函数。3.根据权利要...

【专利技术属性】
技术研发人员：黄新，林洁沁，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：