一种基于混合Transformer的多类型肺结节精准分割方法及模型技术

本发明专利技术提供了一种基于混合Transformer的多类型肺结节精准分割方法及模型，属于肺部CT影像肺结节分割技术领域；解决了现有肺结节分割模型特征提取能力不够强、模型泛化性差的问题；包括如下步骤：构建数据集；构建肺结节分割模型：设计模型编码器中的多尺度卷积模块和通道注意力卷积模块；构建模型编码器中的Transformer模块：改进传统的Transformer结构，将池化操作和Transformer中的自注意力层结合；融合所设计的卷积模块和Transformer模块；构建模型解码器中的上采样模块；构建特征双向自适应融合模块：控制特征信息的双向融合过程；训练并保存分割模型；本发明专利技术用于肺部CT影像肺结节分割。影像肺结节分割。影像肺结节分割。

【技术实现步骤摘要】
一种基于混合Transformer的多类型肺结节精准分割方法及模型


[0001]本专利技术提供了一种基于混合Transformer的多类型肺结节精准分割方法及模型，属于肺部CT影像肺结节分割


技术介绍

[0002]肺癌是全球发病率和死亡率最高的癌症，肺癌的早期检测、诊断及治疗可以有效降低患者的死亡率。然而，胸外科医生人工高负荷地审阅CT影像，容易造成肺结节的漏诊、误诊，从而导致患者错过了肺癌的最佳治疗时间。为了缓解医生的压力，以及提高早期肺癌的检出率，业内正在将人工智能技术应用在肺部CT影像中，通过AI技术辅助医师筛查、诊断肺结节及肺部早期病变，预警早期肺癌。
[0003]肺部CT肺结节的精准分割是肺结节AI辅助筛查、诊断及定性分析的关键。肺结节精准分割的挑战在于其特异性、复杂多样的形状和大小，以及与周围组织相似的视觉特征，使得目前的分割模型难以充分学习到肺结节的所有特征。Ronneberger等人提出U
‑
Net，其由一个对称的编解码网络组成，并具有从编码器到解码器的水平跳跃连接，可以将模型浅层的信息传递到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合Transformer的多类型肺结节精准分割方法，其特征在于：包括如下步骤：步骤S1：构建数据集：获取肺部CT影像，通过Dicom Viewer软件完成肺结节病灶区域的逐像素的标注工作，并对图像进行数据增强和数据增广；构建肺结节分割模型，具体包括：步骤S2：构建模型编码器中的卷积模块：根据图像分辨率和特征通道数间的关系，设计多尺度卷积模块（Module_Multi）和通道注意力卷积模块（Module_SE）；步骤S3：构建模型编码器中的Transformer模块（Attention_Pool）：改进传统的Transformer结构，将池化操作和Transformer中的自注意力层结合；步骤S4：在模型编码器中融合S2构建的卷积模块和S3构建的Transformer模块;步骤S5：构建模型解码器中的上采样模块：对空洞卷积后的特征图进行分组和通道重排；步骤S6：构建特征双向自适应融合模块：通过在模型编解码器中间添加可学习的卷积模块，控制特征信息的双向融合过程；步骤S7：利用S1处理后的数据集对肺结节分割模型进行n折交叉训练，并用测试集输出肺结节分割图像，计算损失值；步骤S8：根据损失值的大小以及训练阶段的性能表现调整模型参数，生成并保存训练好的肺结节分割模型，使用评价指标评估肺结节的分割效果。2.根据权利要求1所述的一种基于混合Transformer的多类型肺结节精准分割方法，其特征在于：所述步骤S1具体包括如下步骤：步骤S1
‑
1：首先获取肺部CT影像数据并将私人信息去除，仅仅保留图像信息，然后通过Dicom Viewer软件对原图中的病灶区域进行逐像素标注，最后得到标签图；步骤S1
‑
2：使用随机亮度、随机噪声图像增强方法对原始图片进行预处理；步骤S1
‑
3：通过对图像进行旋转、裁减进行数据增广。3.根据权利要求1所述的一种基于混合Transformer的多类型肺结节精准分割方法，其特征在于：所述步骤S2中构建模型编码器中的卷积模块的具体步骤如下：步骤S2
‑
1：构建多尺度卷积模块（Module_Multi）：在编码器浅层构建多尺度卷积模块提取局部邻域及邻域外的信息，包括以下子步骤：步骤S2
‑1‑
1：使用卷积核为1、3和5的三种卷积构成多尺度卷积单元，并在每个卷积后面使用批正则化和ReLU激活函数；步骤S2
‑1‑
2：使用卷积核为3的卷积、批正则化和ReLU激活函数组成普通卷积单元；步骤S2
‑1‑
3：使用一个多尺度卷积单元和两个普通卷积单元组成多尺度卷积模块；步骤S2
‑
2：构建通道注意力卷积模块（Module_SE）：在编码器深层构建通道注意力卷积模块评判每个通道的重要程度，使各通道有效融合，包括以下子步骤：步骤S2
‑2‑
1：使用一个全局平均池化、两个卷积核为1的卷积、一个ReLU激活函数、一个Sigmoid激活函数构成通道注意力单元；步骤S2
‑2‑
2：使用卷积核为3的卷积、批正则化和ReLU激活函数组成普通卷积单元；步骤S2
‑2‑
3：使用一个通道注意力单元和三个普通卷积单元组成通道注意力卷积模块。
4.根据权利要求3所述的一种基于混合Transformer的多类型肺结节精准分割方法，其特征在于：所述步骤S3中构建的模型编码器中的Transformer模块（Attention_Pool），是通过在Transformer的自注意力层中加入池化操作，并将池化结合到Transformer的特征提取过程中。5.根据权利要求4所述的一种基于混合Transformer的多类型肺结节精准分割方法，其特征在于：所述步骤S4中在模型编码器中融合S2构建的卷积模块和S3...

【专利技术属性】
技术研发人员：降爱莲，戴鸢，李啸天，李晓峰，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：