本发明专利技术涉及一种新冠肺炎CT图像分割方法、设备、装置及计算机存储介质。本发明专利技术所提供的新冠肺炎CT图像分割方法，包括：将待检图像输入预先训练及优化后的TRUNet网络中的编码部分，利用残差结构模块卷积得到组合特征图，将所述组合特征图输入Transformer网络结构，得到浅层特征图，将所述浅层特征图输入多个残差结构模块卷积得到深层特征图，将所述深层特征图输入TRUNet网络中的解码部分构建图像得到新冠肺炎特征图，将所述新冠肺炎特征图转换为单通道得到新冠肺炎特征分割图。既考虑了长距离依赖关系，又保留了局部特征提取，提高了分割精度。割精度。割精度。
【技术实现步骤摘要】
一种新冠肺炎CT图像分割方法、装置及存储介质
[0001]本专利技术涉及医学图像分割
，尤其是指一种新冠肺炎CT图像分割方法、设备、装置及计算机存储介质。
技术介绍
[0002]随着CT成像分辨率越来越高，更多的组织信息能够被检测到，而且患者短期内病情变化较快，需多次复查，这无疑给影像医师带来了极大的读片工作量，增加误判和漏判的概率，因此亟需一种高效、精准的CT图像分割的方法来进行辅助诊断和治疗，而CT图像分割面临的主要的课题是如何准确、快速的识别出CT图像中的肺野和病灶区域，目前深度学习拥有许多优秀的神经网络模型，但在新冠肺炎CT图像这一类数据中，大多数研究都是针对于分类任务，即区分出正常CT图像与病例CT图像，目前对于分割病灶区域的研究较少，加上新冠肺炎的突然出现，很难在短时间内收集到足够的带有标注的数据来进行模型的训练；在医学图像领域现有的技术大都采用的全卷积网络，受限于卷积的局限性，使得提取特征时只能关注局部特征，而忽略了长距离依赖关系，从而导致分割的精度一般，因此，如何提供一种既考虑到长距离依赖关系又保留局部特征提取的新冠肺炎CT图像分割方法是目前有待解决的问题。
技术实现思路
[0003]为此，本专利技术所要解决的技术问题在于克服现有技术中提取特征时只能关注局部特征，而忽略了长距离依赖关系，从而导致分割的精度一般的问题。
[0004]为解决上述技术问题，本专利技术提供了一种新冠肺炎CT图像分割方法、设备、装置及计算机存储介质，包括：
[0005]将待检图像输入预先训练及优化后的TRUNet网络中的编码部分，所述TRUNet网络包括：Transformer网络结构、残差结构模块和UNet网络结构，所述残差结构模块包括卷积层和激活函数FRelu层；
[0006]利用残差结构模块卷积得到组合特征图；
[0007]将所述组合特征图输入所述Transformer网络结构，得到浅层特征图；
[0008]将所述浅层特征图输入多个所述残差结构模块逐层卷积得到深层特征图；
[0009]将所述深层特征图输入所述TRUNet网络中的解码部分进行多次上采样恢复到原始分辨率，得到新冠肺炎特征图；
[0010]利用卷积层将所述新冠肺炎特征图输出为单通道，得到新冠肺炎特征分割图。
[0011]优选地，所述将待检图像输入预先训练和优化好的TRUNet网络中的编码部分前包括：
[0012]将收集到的数据集进行预处理，所述预处理包括：去除图像噪声、图像黑色区域剪裁和图像增强处理；
[0013]对预处理后的所述数据集进行数据扩增并按照预设比例划分出训练集和测试集。
[0014]优选地，所述数据集为四类分割数据集，所述四类分割数据集像素包含四个类别，即背景、肺野、磨玻璃样影和肺实变。
[0015]优选地，所述将待检图像输入预先训练和优化好的TRUNet网络中的编码部分前还包括：
[0016]利用所述训练集训练TRUNet网络参数；
[0017]利用所述测试集验证训练好的所述TRUNet网络参数，计算目标评价指标，得到目标评价指标结果,所述目标评价指标包括Dice系数、敏感度和特异性；
[0018]根据所述目标评价指标结果调整所述TRUNet网络参数。
[0019]优选地，所述组合特征图包括原图信息和卷积后提取的特征信息。
[0020]优选地，所述将所述组合特征图输入所述Transformer网络结构，得到浅层特征图包括：
[0021]将所述组合特征图输入所述Transformer网络结构得到隐藏特征，所述Transformer网络结构共有12层；
[0022]将所述隐藏特征重构成所需的维度和通道，得到所述浅层特征图。
[0023]优选地，所述将所述深层特征图输入所述TRUNet网络中的解码部分进行多次上采样恢复到原始分辨率，得到新冠肺炎特征图包括：
[0024]将所述深层特征图进行多次上采样的同时与所述编码部分相同维度的特征图拼接，形成长跳跃连接；
[0025]在所述解码部分构建图像直到恢复到原始图像维度，得到所述新冠肺炎特征图。
[0026]本专利技术还提供了一种新冠肺炎CT图像分割的装置，包括：
[0027]输入模块，用于将所述待检图像输入预先训练和优化好的所述TRUNet网络中的所述编码部分，所述TRUNet网络包括：所述Transformer网络结构、所述残差结构和所述UNet网络结构，所述残差结构模块包括卷积层和激活函数FRelu层；
[0028]图像信息组合模块，用于利用所述残差结构模块卷积得到所述组合特征图；
[0029]浅层特征提取模块，用于将所述组合特征图输入所述Transformer网络结构，得到所述浅层特征图；
[0030]深层特征提取模块，用于将所述浅层特征图输入多个所述残差结构模块逐层卷积得到深层特征图；
[0031]图像解码构建模块，用于将所述深层特征图输入所述TRUNet网络中的解码部分进行多次上采样恢复到原始分辨率，得到新冠肺炎特征图；
[0032]图像转换模块，用于利用卷积层将所述新冠肺炎特征图输出为单通道，得到新冠肺炎特征分割图。
[0033]本专利技术还提供了一种新冠肺炎CT图像分割的设备，包括：
[0034]存储器，用于存储计算机程序；
[0035]处理器，用于执行所述计算机程序时实现上述一种新冠肺炎CT图像分割的步骤。
[0036]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种新冠肺炎CT图像分割的方法的步骤。
[0037]本专利技术的上述技术方案相比现有技术具有以下优点：
[0038]本专利技术所述的新冠肺炎CT图像分割方法，包括：将待检图像输入预先训练及优化后的TRUNet网络中的编码部分，所述TRUNet网络包括：Transformer网络结构、残差结构模块和UNet网络结构，所述残差结构模块包括卷积层和激活函数FRelu层，利用所述残差结构模块卷积得到组合特征图，本专利技术所使用的残差结构将原本残差结构中的Relu函数层替换为FRelu函数，避免了由于原激活函数空间不敏感阻碍视觉任务显著改善的影响；将所述组合特征图输入所述Transformer网络结构，得到浅层特征图，所述Transformer网络结构考虑到长距离依赖关系，具有全局上下文提取优势，改善了现有技术中受限卷积的局限性；将所述浅层特征图输入多个所述残差结构模块逐层卷积得到深层特征图，将所述深层特征图输入所述TRUNet网络中的解码部分进行多次上采样恢复到原始分辨率，得到新冠肺炎特征图，利用卷积层将所述新冠肺炎特征图输出为单通道，得到新冠肺炎特征分割图；本专利技术通过将用于序列到序列预测的Transformer和卷积神经网络中的残差结构相结合，既充分发挥了Transformer对于提取全局上下文的优势，又保留了卷积神经网络对局部特征的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种新冠肺炎CT图像分割方法，其特征在于，包括：将待检图像输入预先训练及优化后的TRUNet网络中的编码部分，所述TRUNet网络包括：Transformer网络结构、残差结构模块和UNet网络结构，所述残差结构模块包括卷积层和激活函数FRelu层；利用所述残差结构模块卷积得到组合特征图；将所述组合特征图输入所述Transformer网络结构，得到浅层特征图；将所述浅层特征图输入多个所述残差结构模块逐层卷积得到深层特征图；将所述深层特征图输入所述TRUNet网络中的解码部分进行多次上采样恢复到原始分辨率，得到新冠肺炎特征图；利用卷积层将所述新冠肺炎特征图输出为单通道，得到新冠肺炎特征分割图。2.根据权利要求1所述的新冠肺炎CT图像分割方法，其特征在于，所述将待检图像输入预先训练和优化好的TRUNet网络中的编码部分前包括：将收集到的数据集进行预处理，所述预处理包括：去除图像噪声、图像黑色区域剪裁和图像增强处理；对预处理后的所述数据集进行数据扩增并按照预设比例划分出训练集和测试集。3.根据权利要求2所述的新冠肺炎CT图像分割方法，其特征在于，所述数据集为四类分割数据集，所述四类分割数据集像素包含四个类别，即背景、肺野、磨玻璃样影和肺实变。4.根据权利要求2所述的新冠肺炎CT图像分割方法，其特征在于，所述将待检图像输入预先训练和优化好的TRUNet网络中的编码部分前还包括：利用所述训练集训练TRUNet网络参数；利用所述测试集验证训练好的所述TRUNet网络参数，计算目标评价指标，得到目标评价指标结果，所述目标评价指标包括Di ce系数、敏感度和特异性；根据所述目标评价指标结果调整所述TRUNet网络参数。5.根据权利要求1所述的新冠肺炎CT图像分割方法，其特征在于，所述组合特征图包括原图信息和卷积后提取的特征信息。6.根据权利要求1所述的新冠肺炎CT图像分割方法，其特征在于，所述将所述组合特征图输入所述Transformer网络结构，得...
【专利技术属性】
技术研发人员：吴晨健，张浩宇，
申请(专利权)人：苏州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。