基于深度学习的肺部组织图像分割方法技术

本发明专利技术提供了一种基于深度学习的肺部组织图像分割方法，属于医学图像分割技术领域。该方法将X光胸片图像输入到分割模型中，其中，该分割模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和对应用来标识肺部组织的金标准；获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片图像中肺部组织的分割结果。本发明专利技术通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割，解决了使用传统方法分割肺部组织时遇到的局部收敛和假阳性分割的问题；在公开数据集和尘肺数据集上分别获得95.3％的MIoU和94.8％的MIoU；解决了FCN网络的假阳性问题，提高了SCAN网络方法中胸膈角处及X光胸片上对肋骨的分割准确率。

Image Segmentation of Lung Tissue Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的肺部组织图像分割方法
本专利技术涉及医学图像分割
，具体涉及一种提高了肺部组织分割准确率的同时，减小对尘肺病分类识别的噪声影响的基于深度学习的肺部组织图像分割方法。
技术介绍
随着医学影像技术的多元化和成熟性，医学图像研究成为目前热门的研究领域之一。基于肺部疾病的多发性和多样性，计算机辅助诊断成为临床治疗的重要手段，因此，高准确性的技术支持是必不可少的。目前肺部组织分割的技术大体分为传统方法、传统机器学习方法、深度学习方法这3类。传统方法分割肺部组织时对数据集要求较高，不仅需要肺野的强边界信息，还需要较高的目标轮廓相似性。传统机器学习的方法在分割肺部组织时，在个别图像实例上会由于分类不准确造成较严重的假阳性现象。对于深度学习方法，从已经提出的U-Net、SCAN方法在TB/JSRT数据库上分割肺部组织的准确率来看，像素级别的分类比图像级别的分类有较好的分割性能。但是，单纯的从可视化结果来看，针对数据库中形状不相似的图像，胸膈角和肺尖处的分割依旧存在分割不准确的问题。与此同时，为了在尘肺病分类时减少噪声的影响，将与尘肺病灶像素值相似的肋骨使用本专利提到的深度学习方法分割出来。
技术实现思路
本专利技术的目的在于提供一种在提高了肺部组织分割准确率的同时，减小对尘肺病分类识别的噪声影响的基于深度学习的肺部组织图像分割方法，以解决上述
技术介绍
中存在的技术问题。为了实现上述目的，本专利技术采取了如下技术方案：本专利技术提供的一种基于深度学习的肺部组织图像分割方法，包括：将肺部组织图像输入到模型中，其中，所述模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和用来标识图像中肺部组织的金标准；获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片图像中肺部组织的分割结果。优选的，所述使用多组训练数据训练得到所述模型包括：将标注有肺部组织金标准的X光胸片图像作为训练集；将训练集进行相应尺寸的裁剪，并转换为tfrecord格式；训练集经过连续的空洞卷积计算提取细节特征信息，得到预测特征图；将预测特征图作为ASPP结构的输入，并通过卷积层降低特征维度；对降低特征维度后的预测特征图做多组采样率不同的空洞卷积，来提取图像的多尺度特征信息；对细节特征信息和多尺度特征信息进行融合，获得更精确的特征信息，作为解码部分的输入；改进的Xception网络结构作为解码部分的网络主干，对融合了细节特征信息和多尺度特征信息的特征图上采样恢复到原图尺寸；导出训练得到的所述模型。优选的，所述肺部组织图像为尘肺图像。优选的，所述训练集为尘肺图像的0期、1期和2期图像，测试集为尘肺图像的3期图像。优选的，所述卷积层降低特征维度中的卷积层为1×1卷积层。优选的，所述多组采样率不同的空洞卷积的采样率分别为6、12和18。优选的，对细节特征信息和多尺度特征信息进行融合时，首先对提取了多尺度特征信息的预测特征图进行上采样，然后融合细节特征信息。优选的，对提取了多尺度特征信息的预测特征图进行上采样的倍数为4倍。本专利技术有益效果：通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割，解决了使用传统方法分割肺部组织时遇到的局部收敛和假阳性分割的问题；同时，通过增加网络深度和改进网络架构，提升了X光胸片中对胸膈角等区域的分割准确性；训练得到的模型在公开数据集(TB/JSRT)上测试可以获得比SCAN更好的95.3％的MIoU，在尘肺数据集上测试可以获得94.8％的MIoU；通过改进的Deeplabv3+的深度学习方法解决了FCN方法假阳性分割，获得了比SCAN方法中更高的分割准确率，提高了在X光胸片上对肋骨的分割准确率。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例所述的基于深度学习的肺部组织图像分割方法的网络框架示意图。图2是本专利技术实施例所述的方法使用的JSRT数据库中的图像。图3是本专利技术实施例所述的方法使用的TB数据库中的图像。图4是本专利技术实施例所述的方法使用的尘肺数据库中尘肺的0期、1期、2期和3期图像。图5是本专利技术实施例所述的使用基于深度学习的肺部组织图像分割方法得到的可视化肺部组织分割结果图。图6是本专利技术实施例所述的使用基于深度学习的肺部组织图像分割方法得到的可视化肋骨分割结果图。具体实施方式下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。为便于对本专利技术实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且实施例并不构成对本专利技术实施例的限定。本领域普通技术人员应当理解的是，附图只是一个实施例的示意图，附图中的部件或装置并不一定是实施本专利技术所必须的。实施例本专利技术实施例1提供一种基于深度学习的肺部组织图像分割方法，包括：将X光胸片图像输入到模型中，其中，所述模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和用来标识该图像中肺部组织的金标准；获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片中肺部组织的分割结果。本专利技术实施例1中，经在公开数据集和尘肺数据集上验证，可以获得比SCAN等深度学习方法在分割胸片组织时更好的分割性能。本专利技术的实现步骤如下：步骤一：为尘肺数据集标注金标准，并通过旋转、平移、镜像、加噪等方法对标注好的数据集进行数据增强；步骤二：数据裁剪。为了保证在有限的计算资源下尽量多的提取到有效的语义特征信息，将训练集和测试集中的图像通过数据裁剪的方式分块输入到神经网络的数据输入层；步骤三：语义特征信息提取。在卷积计算时，空洞卷积具有比普通卷积更大的感受野范围，将DCNN替换为连续的空洞卷积之后，可以在同样的卷积计算下捕获更多的语义特征信息；步骤四：多尺度特征信息提取。经过数据裁剪之后的图像发生目标尺度变化，包含多个不同采样率空洞卷积的并行ASPP金字塔结构可以有效解决因尺度变化造成的胸膈角分割不准确问题。在保留步骤三输出的featuremap的同时，将其作为ASPP结构的输入，提取多尺度信息；步骤五：在解码端，赋予它两个输入通道，一个通道输入语义特征信息，一个通道输入多尺度特征信本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肺部组织图像分割方法，其特征在于，包括：将X光胸片图像输入到模型中，其中，所述模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和用来标识图像中肺部组织的金标准；获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片图像中肺部组织的分割结果。

【技术特征摘要】
1.一种基于深度学习的肺部组织图像分割方法，其特征在于，包括：将X光胸片图像输入到模型中，其中，所述模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和用来标识图像中肺部组织的金标准；获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片图像中肺部组织的分割结果。2.根据权利要求1所述的基于深度学习的肺部组织图像分割方法，其特征在于，所述使用多组训练数据训练得到所述模型包括：将标注有肺部组织金标准的X光胸片图像作为训练集；将训练集进行相应尺寸的裁剪，并转换为tfrecord格式；训练集经过连续的空洞卷积计算提取细节特征信息，得到预测特征图；将预测特征图作为ASPP结构的输入，并通过卷积层降低特征维度；对降低特征维度后的预测特征图做多组采样率不同的空洞卷积，来提取图像的多尺度特征信息；对细节特征信息和多尺度特征信息进行融合，获得更精确的特征信息，作为解码部分的输入；改进的Xception网络结构作为解码部分的网络主干，对融合了细节特征...

【专利技术属性】
技术研发人员：倪蓉蓉，孙先亮，赵耀，季红，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11