一种基于改进性3DU-Net模型的学前儿童肺部影像感兴趣区域分割方法技术

本发明专利技术提供了一种基于改进性3D U

【技术实现步骤摘要】
一种基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法


[0001]本专利技术属于医学人工智能领域，尤其是涉及一种基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法。

技术介绍

[0002]计算机视觉技术常用于图像快速智能处理领域，如图像分类、目标检测和目标检索，计算机视觉模拟了人的视觉机制，具有检测速度快、成本低的优点。
[0003]近年来，随着深度学习在计算机视觉领域的应用，特别是在医学影像领域取得了突破性的进展，以数据驱动为基础的深度学习技术，让计算机通过影像学、医学图像处理技术结合计算机的分析计算，能够实现目标区域的全自动分割，医学图像中器官组织或病灶的分割不仅可以用于医学信息量化分析，辅助医生诊断；而且也可以进行三维重建，用于计算机手术引导。
[0004]如公开号为CN110097550A的中国专利文献公开了一种基于深度学习的医学图像分割方法，包括：获取历史磁共振成像MRI模态图像；将所述历史磁共振成像MRI模态图像划分为训练集和测试集；在下采样过程中，将训练集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定分割后的MRI模态图像；两层相邻的不同分辨率的特征层包括低分辨率的特征层和高分辨率的特征层；两层相邻的不同分辨率的特征层依次经过残差卷积单元、分辨率融合单元以及聚合单元，确定分割后的MRI模态图像。
[0005]公开号为CN112950582A的中国专利文献公开了一种基于深度学习的3D肺部病灶分割方法，通过获取肺结节dicom图像，对所述dicom图像进行预处理；将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。
[0006]医生从CT影像中自动并准确地分割肺部感兴趣区域，从影像中获取三维肺部模型，并进行治疗方案的设计，对于进一步病灶检测至关重要。然而，对于儿童而言，在拍CT时多动，导致图像质量不如成人的问题，现有的分割方法对儿童肺部影像感兴趣区域的分割精度不高。

技术实现思路

[0007]本专利技术提供了一种基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，可以缓解学前儿童拍CT时多动导致图像质量不如成人的问题，从而从CT影像中自动并准确地分割肺部感兴趣区域。
[0008]一种基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，包括以下步骤：
[0009](1)收集学前儿童患者的CT影像数据，对影像数据进行预处理；
[0010](2)将预处理后的影像数据划分为训练集、验证集和测试集；
[0011](3)构建分割模型，所述分割模型采用改进的3D U
‑
Net网络模型，在3D U
‑
Net网络模型的编码器和解码器之间设计一个通道化的Transformer模块，构建UCTransNet框架，来替代U
‑
Net中的跳跃连接，以更好地融合编码器特性；
[0012]通道化的Transformer模块由多尺度通道融合子模块和多尺度通道注意力子模块组成；
[0013](4)将预处理后的训练集送入到构建的分割模型中进行训练，利用预处理后的验证集对分割模型的超参数进行调整，得到训练完成的分割模型；
[0014](5)将待分割的学前儿童肺部影像输入训练好的分割模型中，得到肺部影像的感兴趣区域。
[0015]步骤(1)中，所述的预处理包括对影像进行裁剪，裁减掉无关区域，对影像进行重采样，对影像进行尺度的归一化，采用中值滤波器滤除噪声。
[0016]步骤(2)中，将预处理后的影像数据按7:2:1划分为训练集、验证集和测试集。
[0017]步骤(3)中，所述的3D U
‑
Net网络模型中设有5个编码器E1～E5和4个解码器D1～D4。
[0018]多尺度通道融合子模块包括2个步骤:首先是多尺度特征嵌入，然后使用多层感知器。
[0019]多尺度通道融合子模块的结构如下：
[0020]3D U
‑
Net网络模型的前4个编码器E1～E4输出为T1～T4，首先使用层标准化将特征重塑为大小不同的展开的2D patch序列，使这些patch在4种尺度下映射到编码器特征的相同区域；在Transformer的自注意力self
‑
attention中引入三个元素：Query、Key和Value；在这个过程中，保持原来的通道尺寸，然后合并4个层的输出作为Key和Value，Key和Value通过空间变换统一到一个特征空间中；Query、Key和Value经过层标准化映射到编码器特征的统一尺度，接着将特征输入具有残差结构的多层感知器MLP中，得到输出O1～O4。
[0021]多尺度通道注意力子模块的结构如下：
[0022]将第i级Transformer输出O
i
和第i级解码器特征映射D
i
作为通道交叉注意力的输入；空间压缩由全局平均池化层执行，产生向量G(X)及其第k个通道，使用这个操作来嵌入全局空间信息，然后生成注意力Mask:
[0023]M
i
＝L1*σ(O
i
)+L2*σ(D
i
)
[0024]其中，L1和L2为2个线性层和ReLU算子的权重；使用单一线性层和Sigmoid函数来构建通道注意力图，结果向量用于重新校准或激发O
i
到其中，激活σ(M
i
)表示每个通道的重要性；最后，将Mask的与第i级解码器的上采样特征D
i
连接起来。
[0025]步骤(4)中，采用监督训练方法对分割模型进行训练。
[0026]与现有技术相比，本专利技术具有以下有益效果：
[0027]本专利技术通过在3D U
‑
Net编码器(E1～E5)和解码器(D1～D4)之间设计一个通道化的Transformer模块CTrans构建UCTransNet框架，来替代U
‑
Net中的跳跃连接(skip connection)以更好地融合编码器特性，减少语义差距，从而实现精确的医学图像自动分割。
附图说明
[0028]图1为本专利技术一种基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法的流程图；
[0029]图2为本专利技术中分割模型的整体结构图；
[0030]图3为分割模型中多尺度通道融合子模块的网络结构示意图；
[0031]图4为分割模型中多尺度通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，其特征在于，包括以下步骤：(1)收集学前儿童患者的CT影像数据，对影像数据进行预处理；(2)将预处理后的影像数据划分为训练集、验证集和测试集；(3)构建分割模型，所述分割模型采用改进的3D U
‑
Net网络模型，在3D U
‑
Net网络模型的编码器和解码器之间设计一个通道化的Transformer模块，构建UCTransNet框架，来替代U
‑
Net中的跳跃连接，以更好地融合编码器特性；通道化的Transformer模块由多尺度通道融合子模块和多尺度通道注意力子模块组成；(4)将预处理后的训练集送入到构建的分割模型中进行训练，利用预处理后的验证集对分割模型的超参数进行调整，得到训练完成的分割模型；(5)将待分割的学前儿童肺部影像输入训练好的分割模型中，得到肺部影像的感兴趣区域。2.根据权利要求1所述的基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，其特征在于，步骤(1)中，所述的预处理包括对影像进行裁剪，裁减掉无关区域，对影像进行重采样，对影像进行尺度的归一化，采用中值滤波器滤除噪声。3.根据权利要求1所述的基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，其特征在于，步骤(2)中，将预处理后的影像数据按7:2:1划分为训练集、验证集和测试集。4.根据权利要求1所述的基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，其特征在于，步骤(3)中，所述的3D U
‑
Net网络模型中设有5个编码器E1～E5和4个解码器D1～D4。5.根据权利要求4所述的基于改进性3D U
‑
Net模型的学前儿童肺部影像感兴趣区域分割方法，其特征在于，步骤(3)中，多尺度通道融合子模块包括2个步骤:首先是多尺度特征嵌入，然后使用多层感知器。6.根据权利要求5所述的基于改进性3...

【专利技术属性】
技术研发人员：俞刚，李哲明，黄坚，沈忱，李竞，杨丽，柴象飞，左盼莉，钱宝鑫，余卓，
申请(专利权)人：浙江大学，
类型：发明
国别省市：