一种基于加权全卷积神经网络的肺实质CT图像分割方法技术

一种基于加权全卷积神经网络的肺实质CT图像分割方法属于医学图像处理邻域。本发明专利技术包括以下步骤：选取公开肺部数据集进行预处理，提取标注图像中的肺实质边界作为一个语义类别；基于标准全卷积神经网络框架设计改进的网络结构，以编码‑解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理，建立肺实质分割卷积神经网络的整体结构框架；采用加权损失函数层；对数据集进行划分；离线模型训练，获得模型权重参数；输入测试图像并通过网络逐层前馈由输出层输出分割结果。现有的肺实质分割方法对肺实质内的病灶区域容易出现漏分割现象，本发明专利技术通过对重要像素的强化处理可以有效提高肺实质分割中对病灶区域的正确分割。

【技术实现步骤摘要】
一种基于加权全卷积神经网络的肺实质CT图像分割方法
本专利技术涉及医学图像处理领域，特别涉及一种加权全卷积神经网络的肺实质CT图像分割方法。
技术介绍
相关研究表明，对肺癌的早期发现并及时治疗能较大程度提高肺癌患者的治愈率，CT已经被证明是诊断肺部疾病的有效医学影像技术，被广泛用于肺癌检测和诊断。但是只依靠医师用眼睛分辨大量CT切片中的疑似病灶区域是困难的，计算机辅助诊断系统的研究应用将有利于提高诊断准确性和客观性、减轻诊断工作量。在针对肺部的计算机辅助诊断系统的设计中，对肺实质区域进行准确的提取是影响后续诊断准确性的重要前提步骤。但肺壁周边往往会存在一下病灶区域，在CT影像中的表现形式与肺内气管、非肺组织甚至影像噪声十分相似。这些具有重要的临床研究价值的病灶区域，往往会被分割在肺实质之外，影响肺部图像的定量分析结果。申请号“CN201511023356.8”，名称为“基于胸部横断面CT图像的肺部分割提取方法及系统”介绍了基于阈值的肺实质分割方法，以图像中像素的灰度值为判断标准划分肺实质和背景。但此类方法容易受到噪声的干扰，算法鲁棒性及本文档来自技高网...

【技术保护点】
1.一种基于加权全卷积神经网络的肺实质CT图像分割方法，包括以下步骤：/n步骤1：选取目标图像数据进行预处理，添加待加权的语义标注类别；/n步骤2：基于标准全卷积神经网络网络框架进行设计，以编码-解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理，建立语义分割卷积神经网络的整体结构框架；/n步骤3：采用加权损失函数层；/n步骤4：训练和测试数据集划分；/n步骤5：离线模型训练，获得模型权重参数；/n步骤6：将测试集图像输入网络模型，通过网络逐层前馈由输出层输出分割结果。/n

【技术特征摘要】
1.一种基于加权全卷积神经网络的肺实质CT图像分割方法，包括以下步骤：
步骤1：选取目标图像数据进行预处理，添加待加权的语义标注类别；
步骤2：基于标准全卷积神经网络网络框架进行设计，以编码-解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理，建立语义分割卷积神经网络的整体结构框架；
步骤3：采用加权损失函数层；
步骤4：训练和测试数据集划分；
步骤5：离线模型训练，获得模型权重参数；
步骤6：将测试集图像输入网络模型，通过网络逐层前馈由输出层输出分割结果。


2.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法，其特征在于，所述步骤1中，对目标数据中特定的具有重要意义的区域进行提取，将提取出的区域作为一类新语义类别与原标签图像进行融合，增加标签图像中的像素语义分类数。


3.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法，其特征在于，所述步骤2中，基于基础结构的全卷积神经网络框架设计改进的网络结构，以编码-解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理，设计出卷积神经网络的整体结构框架，包括标准编码-解码结构、跳跃连接结构、批归一化结构和膨胀卷积结构。


4.根据权利要求1所述的一种基于加权全卷积神经网络的肺实质CT图像分割方法，其特征在于...

【专利技术属性】
技术研发人员：林岚，吴玉超，吴水才，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11