一种基于改进U-Net的下肢骨骼CT图像分割算法制造技术

本发明专利技术公开了一种基于改进U

【技术实现步骤摘要】
一种基于改进U
‑
Net的下肢骨骼CT图像分割算法


[0001]本专利技术属于医学图像语义分割
，具体涉及一种基于改进U
‑
Net的下肢骨骼CT图像分割算法。

技术介绍

[0002]现有分割算法大致分为两者中：基于阈值分割的算法；基于神经网络的分割算法。基于阈值分割的算法核心在于找到一个较为合适的阈值来分割骨骼与其余组织，但这类算法过于依赖数据的好坏。即使许多研究从图像本身出发，提高图像聚类与分割的准确性，但仍然存在分割精度较低的问题。基于神经网络的分割算法与传统的分割算法相比，神经网络算法拥有大量可学习神经元参数与非线性的表达,可以很好的去除CT数据中的噪声，提取骨骼特征。但现有的网络模型无法利用骨骼CT图像的特点，也无法实现精确分割。

技术实现思路

[0003]专利技术目的：为了克服现有技术中的不足，本专利技术提供一种基于改进U
‑
Net的下肢骨骼CT图像分割算法，该方法基于U
‑
Net算法做改进，弥补了U
‑
Net算法的部分不足本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进U
‑
Net的下肢骨骼CT图像分割算法，其特征在于，包括：对采集的患者下肢骨骼CT图像进行标注，获得CT数据集；将CT数据集按比例划分，构建为训练集与测试集，并对训练集进行数据增强、随机裁剪，获得数据增强和裁剪后的训练集；将数据增强和裁剪后的训练集导入改进的U
‑
Net网络提取多个不同维度通道的骨骼特征，并对多个不同维度通道的骨骼特征进行融合，获取预测图；将预测图与对应的金标准对比图进行对比，获得网络损失函数；将网络损失函数导入反向传播训练模型计算，获得网络训练参数；利用训练参数优化改进的U
‑
Net网络，并将测试集数据导入优化后的改进的U
‑
Net网络，获得用于测试的分割骨骼图像，并通过测试的分割骨骼图像对优化改进的U
‑
Net网络的性能进行评分；选择性能评分高于其它的优化改进的U
‑
Net网络导入CT数据集进行CT图像分割。2.根据权利要求1所述的基于改进U
‑
Net的下肢骨骼CT图像分割算法，其特征在于，将CT数据集按比例划分，构建为训练集与测试集，并对训练集进行数据增强、随机裁剪，获得数据增强和裁剪后的训练集包括：对CT数据集沿Axial方向切片，生成共8000张dcm格式的二维CT图像，并将CT数据集以8:2比例划分为训练集与测试集；其中设置CT数据集的HU值为[1000
‑
1500]的窗位大小；将筛选训练集中包含较多骨骼的图像进行裁剪，获得包含较多骨骼图像的小尺寸训练样本；对较多骨骼图像的小尺寸训练样本进行数据增强，获得数据增强和裁剪后的训练数据集；其中，裁剪区域的约束公式为：式中，N表示为当前区域骨骼像素的总数，i表示当前随机裁剪的次数，i取值[1,100]；数据增强方法每次输入网络进行训练时进行三种操作包括：随机旋转、随机水平反转、光度失真。3.根据权利要求1所述的基于改进U
‑
Net的下肢骨骼CT图像分割算法，其特征在于，将数据增强和裁剪后的训练集导入改进的U
‑
Net网络提取多个不同维度通道的骨骼特征，并对多个不同维度通道的骨骼特征进行融合，获取预测图的方法包括：训练集中的多个小尺寸训练样本输入改进的U
‑
Net网络的下采样模块进行多层卷积的计算，提取网络编码的骨骼特征图，其中对每层卷积输出的特征图进行均批归一化操作和采用Relu激活函数操作，获得骨骼特征图；将网络编码的骨骼特征图输入密集连接的空洞卷积模块进行特征提取，提取细小骨骼特征；其中，下采样模块的卷积层为3，卷积核大小为3
×
3，步长为1，第一层下采样模块通道数为64，第二层下采样模块通道数为128；第三层下采样模块通道数为256；将网络编码的骨骼特征图输入上采样模块进行多层卷积计算，输出网络解码的骨骼特征图，其中，每层卷积输出的特征信息进行均批归一化操作和采用Relu激活函数操作，获得
骨骼特征图；上采样模块的卷积层数为3，卷积核大小为1
×
1，步长为1，第一层上采样模块通道数为256；第二层上采样模块通道数为128；第三层上采样模块通道数为64；将上采样模块和下采样模块输出的骨骼特征图输入结合注意力机制的融合模块进行融合，生成预测图。4.根据权利要求3所述的基于改进U
‑
Net的下肢骨骼CT图像分割算法，其特征在于，将网络编码的骨骼特征图输入密集连接的空洞卷积模块进行特征提取，提取细小骨骼特征的方法包括：特征图X输入第一空洞卷积层，输出生成特征图X1；其中第一空洞卷积层的空洞卷积率为3，卷积核大小为3，步长为1，输入输出通道相同，将特征图X与X1按通道维度融合输入第二空洞卷积层，输出生成特征图X2；其中第二空洞卷积层空洞卷积率为5，卷积核大小为3，步长为1，输入通道为2n，输出通道为n；将特征图X、特征图X1、特征图X2按通道维度融合输入第三空洞卷积层，输出生成特征图X3；其中第三空洞卷积层空洞卷积率为7，卷积核大小为3，步长为1，输入通道为3n，输出通道为n；将特征图X、特征图X1、特征图X2、特征图X3按通道维度融合第四空洞卷积层，输出细小骨骼特征；其中第四空洞卷积层卷积核大小为1，步长为1，输入通道数为4n，输出通道为n的卷积；其中，模型操作公式为：Y＝Conv
3x3
([X3,X2,X1,X])式中，X代表输入,Xi代表中间操作的输出,Y代表最终输出,di代表空洞率,Conv代表空洞卷积操作,[X
i
‑1,X
i
‑2,...,X1]或[X3,X2,X1,X]代表通道维度连接。5.根据权利要求3所述的基于改进U
‑
Net的下肢骨骼CT图像分割算法，其特征在于，将上采样模块和下采样模块输出的骨骼特征图输入结合注意力机制的融合模块进行融合，生成预测图的方法包括：从上采样模块和下采样模块输出的骨骼特征图中分别提取高维度特征H、低维度特征L；将从上采样模块得来的高维度特征H按通道维度随机平分生成特征图H1、特征图H2类别，将低维度特征经过...

【专利技术属性】
技术研发人员：童晶，刘金辉，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：