基于REMU-Net的肺结节CT图像分割算法制造技术

本发明专利技术提出了基于REMU

【技术实现步骤摘要】
基于REMU
‑
Net的肺结节CT图像分割算法

：
[0001]本专利技术属于深度学习医学影像分割
，具体涉及一种基于REMU
‑
Net的肺结节CT图像分割算法。
[0002]背景领域：
[0003]肺癌的发病率和死亡率很高。通过CT对肺部结节进行早期筛查可以降低20％的肺癌死亡率。然而，肺结节在CT图像上看起来很小，其形态、亮度和其他特征与肺实质中的血管和其他组织相似，使得视觉检查不足以区分它们。目前，肺结节的分割可以通过计算机视觉技术来解决，但分割结果不佳将直接影响医生下一步的诊断。因此，如何提高肺结节的分割精度，将是值得研究的问题。
[0004]许多研究者利用深度学习技术解决上述问题，近年来，U
‑
Net在医学图像分割中表现出优异的性能，但在分割肺部结节时，它不能准确地分割尺寸较小的结节。为了使其更准确地分割CT图像中的肺部结节，基于U
‑
Net提出了REMU
‑
Net。首先，将最先进的ResNet变体ResNeSt作为U
‑
Net的主干，并在ResNeSt的Split
‑
Attention块中引入空间注意模块，使网络能够提取更多样、更有效的特征。其次，在U
‑
Net中引入了基于空洞空间金字塔池化模块(ASPP)的特征增强模块，利用它来获得更丰富的语义信息。最后，用多尺度的跳过连接取代U
‑
Net的跳过连接，克服了解码器子网只能接受同尺度特征信息的限制。

技术实现思路
：
[0005]为提高分割小尺寸肺结节的准确性，本专利技术提供一种基于REMU
‑
Net的肺结节CT图像分割算法，提高了肺结节分割方面的性能并且减少了漏判和假阳性的概率，为了达到上述目的，包括以下步骤：
[0006]1.基于REMU
‑
Net的肺结节CT图像分割算法，其特征在于：所述方法具体过程为：
[0007]步骤1.制作肺结节CT图像数据集，并通过数据预处理程序划分出不同比例的训练集、测试集和验证集；
[0008]步骤2.用步骤一中划分得到的训练集对网络模型进行训练，将肺结节CT图像输入到改进的ResNeSt块进行特征提取，共经过14个改进的ResNeSt块，获得深层特征；
[0009]步骤3.将获得的深层特征送入改进的空洞空间金字塔模块，主要将空洞空间金字塔模块输出的特征与原输入特征1:1合并，从而在保留了原深层特征外获得了多尺度信息；
[0010]步骤4.利用多尺度跳跃连接融合各解码器子网的特征，接着将步骤三获得的特征上采样，与融合后的特征合并，接着通过两个3*3卷积层获得新的特征，接着重复上述操作三次，最后使得输出的特征图与输入尺寸相同，即输出的特征图为肺结节CT图像分割预测分割结果；
[0011]步骤5.利用验证集对模型的超参数进行调整，确定最佳超参数后，利用测试集对模型的分割性能进行评估；
[0012]优选的，本专利技术基于REMU
‑
Net的肺结节CT图像分割算法，使用ResNeSt
‑
SAM块作为主干网络，增加了网络获得特征的多样性和有效性，提高了网络的鲁棒性及分割性能。
[0013]优选的，步骤一中，使用收集到的医学图像数据集，并由专业医生对肺结节进行标注，随后利用预处理程序，对CT图像进行肺实质提取以及感兴趣区域划分等，制作成网络的输入数据。
[0014]优选的，步骤二中，在ResNeSt块的Split
‑
Attention块中引入空间注意模块形成ResNeSt
‑
SAM块，使用ResNeSt
‑
SAM块作为网络的主干网络，增加了网络获得特征的多样性和有效性，提高了网络的鲁棒性及分割性能。
[0015]优选的，步骤三中，在ASPP上添加了短连接，并作为网络的编码器及解码器的过度模块，获得网络深层特征丰富的语义信息，提高了网络肺结节的辩别能力。
[0016]优选的，步骤四中，使用多尺度跳跃连接代替跳跃连接，使得解码器子网获得了多尺度特征。在多尺度信息融合的过程中，仅对其他尺度的特征进行通道数的调整，保证了在不损失同尺度信息的情况下，获得了其他尺度的信息。获得了目标的上下文信息，大幅度的提高了肺结节的分割性能。
[0017]本专利技术有益效果：
[0018]本专利技术采用改进的ResNeSt作为主干特征提取网络，提高了模型的鲁棒性以及提取特征的有效性。
[0019]本专利技术提出的基于ASPP的特征增强模块作为网络编码器和解码器的过渡结构，充分获得了深层特征的语义信息，提高了网络辩别肺结节的能力以及分割的准确性。
[0020]本专利技术用多尺度的跳过连接取代U
‑
Net的跳过连接，克服了解码器子网只能接受同尺度特征信息的限制，获得了多尺度信息，提高了分割的准确性。
附图说明：
[0021]图1为本专利技术的流程图；
[0022]图2为REMU
‑
Net结构图；
[0023]图3a为ResNeSt
‑
SAM结构图；
[0024]图3b为改进的Split
‑
Attention结构图；
[0025]图3c为空间注意力结构图；
[0026]图4为改进的ASPP结构图；
[0027]图5为利用多尺度跳跃连接形成解码器子网X
De3
过程的示意图。
具体实施方式
[0028]具体实施方式一：结合图1和图2说明本实施方式，本实施方式一种基于REMU
‑
Net的肺结节CT图像分割算法具体过程为：
[0029]步骤1.收集数据，进行肺实质提取以及感兴趣区域划分，随后按7∶2∶1划分为训练集，验证集和测试集；
[0030]步骤2.利用改进的ResNeSt进行特征提取；
[0031]步骤3.送入改进的ASPP模块进行提取；
[0032]步骤4.利用多尺度跳跃连接融合特征后进行解码操作；
[0033]步骤5.利用训练集训练模型，验证集调整模型的超参数，测试集测试模型的分割性能，主要评价指标包含准确率(ACC),平均交并比(MIoU)，骰子系数(Dice)，召回率
(Recall)，精确率(Precision)。
[0034]具体实施方式二：本实施方式与具体实施方式一不同的是:所述步骤二中，ResNeSt是ResNet的一个变体，它在同一层中使用多个卷积核分支分别提取特征，使网络可以提取更多不同的特征，并引入Split
‑
Attention块。在Split
‑
Attention块中使用了通道的注意力模块，对通道给予不同的权重以提取有效的特征，如图3a所示的ResNeSt
‑
SAM将通道分为两个大组，每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于REMU
‑
Net的肺结节CT图像分割算法，其特征在于，所述方法具体过程为：步骤1.制作肺结节CT图像数据集，并通过数据集预处理程序后划分出不同比例的训练集、测试集和验证集；步骤2.用步骤1中划分得到的训练集对网络模型进行训练，将肺结节CT图像输入到改进的ResNeSt块进行特征提取，共经过14个改进的ResNeSt块，获得深层特征；步骤3.将获得的深层特征送入改进的空洞空间金字塔模块，将空洞空间金字塔模块输出的特征与输入特征1:1合并，从而在保留了原深层特征外获得了多尺度信息；步骤4.利用多尺度跳跃连接融合各解码器子网的特征，接着将步骤3获的特征上采样，与融合后的特征合并，接着通过两个3*3卷积层获得新的特征，接着重复上述操作三次，最后使得输出的特征图与输入尺寸相同，即输出的特征图为肺结节CT图像分割预测分割结果；步骤5.利用验证集对模型的超参数进行调整，确定最佳超参数后，利用测试集对模型的分割性能进行评估。2.根据权利要求1所述的基...

【专利技术属性】
技术研发人员：李东洁，袁善良，王雪莹，梁雨，高锐，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：