【技术实现步骤摘要】
基于Unet的多任务气胸医学图像语义分割模型系统及其方法
[0001]本专利技术属于气胸图像分析
，具体涉及一种基于Unet的多任务气胸医学图像语义分割模型系统和一种基于Unet的多任务气胸医学图像语义分割模型方法。
技术介绍
[0002]气胸是指气体进入胸膜腔，造成积气状态，气胸对于人类的生命是很大的危险，一般判断正确率都在50％，对人类的威胁很大，其中通常的方法是通过X光片进行诊断，但是X光片须有丰富经验的医生才能判断，当前随着深度学习技术的不断发展，通过深度学习模型就可以很快的识别出是否患有气胸疾病，并且能够判断出病灶的位置，而且通过网络模型预测病人是否患有气胸也将很大程度上减轻医生的负担，可以提供有效的辅助手段。
[0003]在使用传统Unet模型进行语义分割的过程中，遇到的第一个问题是，正样本召回率低，X光片有气胸病灶，但是通过语义分割模型预测的过程中，没有识别出来；第二个问题是，能否在原有的基础上，设计更好的网络结构，进一步提高语义分割的精度。
[0004]因此，针对上述问题，予以进一步改进...
【技术保护点】
【技术特征摘要】
1.一种基于Unet的多任务气胸医学图像语义分割模型方法，用于对气胸医学图像进行语义分割，其特征在于，包括以下步骤：步骤S1：获取气胸CT图像并且对气胸CT图像通过第一模型和第二模型进行编码处理，从而获得图像二分类；步骤S2：在解码处理时融合编码处理阶段的各层特征信息并且进行上采样，并且结合第二模型对上采样的各层信息进行不断融合，以获得语义分割图像；步骤S3：对图像二分类的损失函数和语义分割图像的损失函数进行融合，并且损失函数采用分类和分割融合的多任务策略进行学习，从局部像素点和全局像素点的分类上进行融合，在调整权重关系后获得全局损失函数，进而实现对气胸CT图像的语义分割。2.根据权利要求1所述的基于Unet的多任务气胸医学图像语义分割模型方法，其特征在于，步骤S1具体实施为以下步骤：步骤S1.1：第一模型作为气胸CT图像的基础特征提取网络并且通过在网络中增加残差网络的方法进行基础特征提取；步骤S1.2：第二模型通过空间压缩模块和通道压缩模块对提取的基础特征进行修正处理，从而获得第一模型对应的每一层的修正数据；步骤S1.3：通过第一模型和第二模型对气胸CT图像进行编码处理，从而获得图像二分类。3.根据权利要求1所述的基于Unet的多任务气胸医学图像语义分割模型方法，其特征在于，步骤S2具体实施为以下步骤：步骤S2.1：编码处理中的第一模块对编码处理中的最大池化处理所在的模块进行上采样，以获得第一特征图并且通过第二模型对第一特征图进行第一修正处理，以获得第一修正数据；步骤S2.2：编码处理中的第二模块对第一模块获得的第一修正数据进行上采样并且融合编码处理中的第一模型的第五层所在的模块对应的修正数据，以获得第二特征图并且通过第二模型对第二特征图进行第二修正处理，以获得第二修正数据；步骤S2.3：编码处理中的第三模块对第二模块获得的第二修正数据进行上采样并且融合编码处理中的第一模型的第四层所在的模块对应的修正数据，以获得第三特征图并且通过第二模型对第三特征图进行第三修正处理，以获得第三修正数据；步骤S2.4：编码处理中的第四模块对第三模块获得的第三修正数据进行上采样并且融合编码处理中的第一模型的第三层所在的模块对应的修正数据，以获得第四特征图并且通过第二模型对第四特征图进行第四修正处理，以获得第四修正数据；步骤S2.5：编码处理中的第五模块对第四模块获得的第四修正数据进行上采样并且融合编码处理中的第一模型的第二层所在的模块对应的修正数据，以获得第五特征图并且通过第二模型对第五特征图进行第五修正处理，以获得第五修正数据；步骤S2.6：对编码处理中的各个模块获得的对应的修正数据进行融合，从而完成编码处理，进而获得语义分割图像。4.根据权利要求3所述的基于Unet的多任务气胸医学图像语义分割模型方法，其特征在于，步骤S1和步骤S2中的通过第二模型的空间压缩模块和通道压缩模块进行修正的处理为：
假设输入的气胸CT图像为X∈R
H
×
W
×
C
，假设编码处理中获得的基础特征或者解码处理中获得的特征图为U∈R
H
×
W
...
【专利技术属性】
技术研发人员：沈旭东，吴湘莲，楼平，雷英栋，陶冶博，
申请(专利权)人：嘉兴职业技术学院，
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。