一种基于CGAN的新冠肺炎CT图像分割方法技术

本发明专利技术公开了一种基于CGAN的新冠肺炎CT图像分割方法，属于深度学习的医学图像处理领域。主要解决现有方法对新冠肺炎CT图像病灶区域分割效率低，分割准确度差的问题。其方案是：获取新冠肺炎患者的CT图像数据进行数据预处理；使用改进后的DeepLabV3+网络作为生成器，降低网络参数量、提升训练速度；构建了一个包含6层全卷积层的马尔可夫判别器，可以聚焦图像局部细节特征。通过生成器与判别器不断对抗训练，使得生成器最终生成的分割图像能够无限接近标准分割图像。本发明专利技术能有效避免模型分割过程中出现细节丢失的问题，提高对病灶区域边缘分割效果；并且大大降低网络参数量，提升了模型整体分割效率，可用于新冠肺炎CT图像的病灶识别。灶识别。灶识别。

A cgan based CT image segmentation method for COVID-19

【技术实现步骤摘要】
一种基于CGAN的新冠肺炎CT图像分割方法


[0001]本专利技术属于深度学习的医学图像处理领域，具体涉及新冠肺炎CT图像分割准确度和 分割性能提升问题，提出了一种基于CGAN的新冠肺炎CT图像分割方法。

技术介绍

[0002]新型冠状病毒肺炎(COVID
‑
19)可通过人与人之间的直接接触、接触带有病毒的物 体和气溶胶的方式进行传播。通过对人体的肺部进行入侵，造成肺部感染。大多数症状为 咳嗽、感冒和发烧，少部分可无明显症状或仅表现为轻微腹泻、神经系统症状等。是一种 传播性极强、感染率极高的流行性疾病，自出现后，迅速在局部地区传播并扩散至全世界， 严重威胁人类生命健康，同时给全球带来巨大的经济损失。目前诊断COVID
‑
19的方法通 常采用逆转录聚合酶链反应(RT
‑
PCR)或基因测序。然而，由于样本收集和运输的局限 性以及试剂盒性能的局限性，据统计，初次鼻咽拭子、口咽拭子样本的RT
‑
PCR总阳性率 约为30％—60％，需要重复检测才能准确诊断，从而造成许多COVID
‑
19患者可能未被及 时确诊并接受治疗。鉴于COVID
‑
19的高传染性，此类患者会增加更多人群感染的风险。
[0003]计算机断层扫描(CT)技术具有简便、快捷、显示肺部病变敏感和适于动态观察等优 势，因此在COVID
‑
19的诊断以及疾病监测中起着非常重要的作用。医生可通过查看患者 的CT图像，诊断患者肺部是否已感染COVID
‑
19。然而感染初期的肺部玻璃结节在CT影 像图中特征不明显，需要经验丰富的医生才能准确识别并标定出感染区域。此外， COVID
‑
19具有传播速度快、影响范围广的特点，根据每位患者一次胸部CT发生400张 影像计算，医生肉眼阅片需要花费5
‑
10分钟，在疫情爆发期间，每天会产生大量的肺部 CT图像，造成短期内医疗资源压力的巨大上升。为了辅助医生进行COVID
‑
19的快速诊 断，进而提高工作效率，减轻医生的工作负担，同时减少人为误诊、漏诊现象的发生，利 用人工智能手段，研究针对COVID
‑
19患者CT图像病变区域自动分割的方法对于疾病识 别和防控有着重要意义。
[0004]近年来，学者们针对COVID
‑
19病变区域的自动分割提出了大量方法，如xu等人提出 了深度学习结合影像组学的胸部CT新冠肺炎智能诊断模型，利用基于深度学习的AI模型 实现肺炎病灶的自动分割，从每一帧图像的病灶区域中提取影像组学特征，最终建立影像 组学模型。song等人提出了一种改进U
‑
Net的新冠肺炎图像分割方法，在编码器中运用预 训练好的网络对有效信息进行特征提取，在解码器中将传统的上采样操作换成一种基于数 据依赖的新型上采样结构，以此来充分获取病灶边缘的细节特征信息，提高分割精度。尽 管已经有一些深度学习方法为诊断新冠肺炎和肺部病变区域分割提供帮助，但是总体上效 果仍然不够理想。因为实际新冠肺炎CT切片感染病灶的大小和位置在时刻变化，目标病 灶区具有很多无关特征，磨玻璃区域边界通常对比度低且外观模糊难以识别，从而造成模 型分割效果差，适应能力弱。此外，现有的方法大部分都采用深度卷积神经网络，网络参 数量巨大，总体分割时间较长，导致模型自动分割效率低，鲁棒性较差。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提出一种基于CGAN的新冠肺炎CT图像分 割方法，该方法不仅能解决新冠肺炎病变区域分割适应性差的问题，而且在分割精度和运 行速度上能达到理想效果。
[0006]为了实现上述目的，本专利技术的一种基于CGAN的新冠肺炎CT图像分割方法，具体包 括如下步骤：
[0007](1)数据集预处理：
[0008](1a)将获取到的新冠肺炎CT图像统一裁剪成512
×
512
×
3大小，通过镜像、旋转 方式使数据集扩增到一定规模；
[0009](1b)采用中值滤波算法去除CT胸片在设备成像过程中由于肺部各种组织器官的差 异以及量子统计涨落产生的椒盐噪点；
[0010](1c)采用伽马变换的方式对CT胸片进行灰度值校正，增强肺部CT图像对比度，提 升图像细节；
[0011](2)将预处理后的数据集按照3：1：1的比例随机划分训练集、测试集和验证集；
[0012](3)构建基于Deeplabv3+网络的生成器：
[0013](3a)采用mobilenetv2网络代替原始xception网络作为Deeplabv3+模型的backbone；
[0014](3b)采用基于神经架构搜索的密集预测单元代替原始空间金字塔池化(ASPP)结构； 通过搜索370个GPU上的2.8
×
104个密集预测单元，得到了一种最优的DPC架构，它在 多个数据集的特征提取表现上均优于ASPP模型；
[0015](3c)在mobilenetv2网络和DPC架构之间加入由通道注意力机制和空间注意力机制 串联后所构成的CBAM模块；
[0016](4)构建基于PatchGAN的判别器：
[0017](4a)设计6层全卷积层的卷积神经网络，除最后一层卷积层外，其余卷积层每层包 括批标准化以及LeakyReLU激活函数，每个卷积核大小为3
×
3，中间各层卷积步长为2， 最后一层步长为1，中间层的特征通道数分别为6，64，128，256，512；
[0018](4b)对于最后的输出层，利用Sigmoid激活函数确保生成的数据值均约束于(0,1)；
[0019](5)目标函数设置：
[0020](5a)CGAN网络的优化过程是找到生成器和判别器之间的纳什均衡，目标函数可以 表示为：L
cGAN
(D,G)＝E
x,y
[logD(x,y)]+E
x
[log(1
‑
D(x,G(x)))][0021]其中x为输入的新冠肺炎CT原始图像，y为人工分割的标注图像，函数D(x，y)表示 判别器中输入图像来自人工标注的概率，D(x，G(x))表示判别器中输入图像来自生成器的 概率；
[0022](5b)整个模型的优化方向是最大化判别器能够正确鉴定出图像是来源于生成器生成 的图像还是人工标注的图像的概率，同时最小化生成器生成出来的样本数据被判别器鉴别 出来的概率。目标函数可以表示为：
[0023](5c)为了使生成器生成的分割图像能够更加接近人工标注的标准分割图像，在损失 函数中加入L1距离，公式为：L
L1
(G)＝E
x,y
[y
‑
G(x,y)][0024](5d)将CGAN的目标函数和L1距离损失函数结合起来，设置λ＝100，用来平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CGAN的新冠肺炎CT图像分割方法，其特征包括：(1)数据集预处理：(1a)将获取到的新冠肺炎CT图像统一裁剪成512
×
512
×
3大小，通过镜像、旋转方式使数据集扩增到一定规模；(1b)采用中值滤波算法去除CT胸片在设备成像过程中由于肺部各种组织器官的差异以及量子统计涨落产生的椒盐噪点；(1c)采用伽马变换的方式对CT胸片进行灰度值校正，增强肺部CT图像对比度，提升图像细节；(2)将预处理后的数据集按照3：1：1的比例随机划分训练集、测试集和验证集；(3)构建基于Deeplabv3+网络的生成器：(3a)采用mobilenetv2网络代替原始xception网络作为Deeplabv3+模型的backbone；(3b)采用基于神经架构搜索的密集预测单元代替原始空间金字塔池化(ASPP)结构；通过搜索370个GPU上的2.8
×
104个密集预测单元，得到了一种最优的DPC架构，它在多个数据集的特征提取表现上均优于ASPP模型；(3c)在mobilenetv2网络和DPC架构之间加入由通道注意力机制和空间注意力机制串联后所构成的CBAM模块。(4)构建基于PatchGAN的判别器：(4a)设计6层全卷积层的卷积神经网络，除最后一层卷积层外，其余卷积层每层包括批标准化以及LeakyReLU激活函数，每个卷积核大小为3
×
3，中间各层卷积步长为2，最后一层步长为1，中间层的特征通道数分别为6，64，128，256，512；(4b)对于最后的输出层，利用Sigmoid激活函数确保生成的数据值均约束于(0,1)。(5)目标函数设置：(5a)CGAN网络的优化过程是找到生成器和判别器之间的纳什均衡，目标函数可以表示为：L
cGAN
(D,G)＝E
x,y
[logD(x,y)]+E
x
[log(1
‑
D(x,G(x)))]其中x为输入的新冠肺炎CT原始图像，y为人工分割的标注图像，函数D(x，y)表示判别器中输入图像来自人工标注的概率，D(x，G(x))表示判别器中输入图像来自生成器的概率；(5b)整个模型的优化方向是最大化判别器能够正确鉴定出图像是来源于生成器生成的图像还是人工标注的图像的概率，同时最小化生成器生成出来的样本数据被判别器鉴别出来的概率，目标函数可以表...

【专利技术属性】
技术研发人员：王小银，郑敏，孙家泽，舒新峰，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：