一种基于轻量级3D注意力的肺CT血管双路径U-Net分割方法技术

一种基于轻量级3D注意力的肺CT血管双路径U

【技术实现步骤摘要】
一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法


[0001]本专利技术涉及医学图像处理
，具体涉及一种CT图像的分割技术。

技术介绍

[0002]近年来，肺部组织疾病已经逐渐成为发病率、致死率最高的疾病之一。传统的肺部病变检查方式对患者的侵入性很强，而且只能反映全肺的状态，难以反映局部病灶，不利于疾病的早期诊断治疗。随着CT技术不断发展，CT在血管性病变、肺动脉高压和肿瘤诊断等方面有着独特的临床价值，因此，CT影像成为临床诊断的主要工具，其中肺部CT也成为评价肺部功能的主要手段之一。但由于肺部的组织器官以及血管神经比较复杂，仅仅依赖人工读片的方式来确诊肺部疾病，过程耗时且效率低下。对此，利用三维重建技术可以获得直观清晰的肺部血管结构，可避免人为因素错误，且效率较高。该技术可在肺结节、肺栓塞、肺肿瘤的诊疗方面，提供手术规划、术后效果预测等辅助诊断功能。
[0003]肺部血管三维重建技术需要先对肺部血管进行标记，再对标记的结果进行重建展示。目前在肺部血管标记过程中，计算机断层扫描所生成的数据量较大，且肺部血管的标记通常需要专业医生手动完成。因此，肺部血管标记存在耗时耗力且容易出错等问题。采用面向CT影像分割的人工智能技术进行肺部血管的自动化标记，相较人工标记具有效率高、成本低、准确性高等优势，是医学影像发展的趋势。
[0004]在CT影像分割方面，传统的医学图像分割技术主要包括阈值法、区域生长法、分水岭法等，此类方法无法处理医学图像中复杂的非线性关系，且分割的速度和精度较低。随着计算性能的大幅提升，深度学习成为人工智能的前沿技术之一，其对于具有复杂的非线性关系数据的处理能力，可以充分解决传统医学图像分割技术效率低下、精度不高的情况。因此，越来越多的研究人员开始采用深度学习技术来解决肺部血管分割问题。
[0005]目前，基于深度学习的CT影像分割算法，以FCN、U
‑
Net等模型为基础，此类方法，在进行特征提取时，需要对图像进行下采样和池化处理。该方法存在丢失关键信息的问题，导致对细小血管的分割效果较差。由于肺部组织、结节和血管的图像面积较小，且形态近似，因此，采用下采样和池化的处理方法将严重影响血管分割的准确率。

技术实现思路

[0006]本专利技术提出一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，解决了采用现有技术对血管分割时，准确率低，以及由于关键信息丢失，导致对细小血管的分割效果差的问题。
[0007]一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，所述分割方法包括：
[0008]采集待分割的CT图像；
[0009]对所述CT图像进行标记和预处理，得到标记结果和所述CT图像的最大连通区域；
[0010]构建DS
‑
ResUNet网络；
[0011]对所述DS
‑
ResUNet网络进行训练：将预处理后的图像输入到所述DS
‑
ResUNet网络
中，得到输出结果，使用损失函数计算得到所述输出结果与标记结果的误差，将所述误差与深监督训练策略结合，更新DS
‑
ResUNet网络中的参数，保存最优的DS
‑
ResUNet网络模型，完成对DS
‑
ResUNet网络的训练；
[0012]将所述CT图像输入到训练完成的DS
‑
ResUNet网络中，输出预测图像，所述预测图像为肺CT血管双路径U
‑
Net分割结果。
[0013]优选地，所述预处理包括：
[0014]将所述CT图像的体素值截断在[
‑
950，+350]范围内；
[0015]将所述体素值线性化归一到[0，1]范围内；
[0016]增强血管与其它背景图像之间的对比度；
[0017]截取所述CT图像中的最大连通区域；
[0018]使用数据增强，随机截取所述CT图像序列中连续的32张切片。
[0019]优选地，所述增强血管与其它背景图像之间的对比度通过灰度线性变换完成。
[0020]优选地，所述DS
‑
ResUNet网络包括：编码器、解码器和桥接。
[0021]优选地，所述编码器的网络深度为四层，所述解码器的网络深度为四层。
[0022]优选地，所述损失函数为Dice损失函数。
[0023]优选地，所述更新DS
‑
ResUNet网络中的参数，通过梯度反向传播法，采用Adam优化算法对所述参数进行更新。
[0024]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法。
[0025]一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行上述一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法。
[0026]本专利技术还提供一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割装置，所述分割装置包括：
[0027]图像采集单元，用于采集待分割的CT图像；
[0028]图像处理单元，用于对所述CT图像进行标记和预处理，得到标记结果和所述CT图像的最大连通区域；
[0029]网络构建单元，用于构建DS
‑
ResUNet网络；
[0030]网络训练单元，用于将预处理后的图像输入到所述DS
‑
ResUNet网络中，得到输出结果，使用损失函数计算得到所述输出结果与标记结果的误差，还用于将所述误差与深监督训练策略结合，更新DS
‑
ResUNet网络中的参数，保存最优的DS
‑
ResUNet网络模型，完成对DS
‑
ResUNet网络的训练；
[0031]图像分割单元，用于将所述CT图像输入到训练完成的DS
‑
ResUNet网络中，输出预测图像，所述预测图像为肺CT血管双路径U
‑
Net分割结果。
[0032]本专利技术的有益效果：
[0033]现有肺CT影像中往往存在多种体数据，如2mm体数据与5mm体数据。其中2mm体数据包含大量的肺血管细节信息，5mm体数据中血管纹理清晰且图像噪音较少。此外，由于肺CT数据中肺部血管的3D位置相对固定，需要采用3D空间注意力机制强化血管的空间权重。因此，为提升肺血管分割的精度及效率，本专利技术采用建立多种数据的融合模型、并简化3D空间
注意力机制的模型参数的设计思想。
[0034]与现有技术相比，本专利技术提出的一种基于轻量级3D注意力的肺CT血管双路径U...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，其特征在于，所述分割方法包括：采集待分割的CT图像；对所述CT图像进行标记和预处理，得到标记结果和所述CT图像的最大连通区域；构建DS
‑
ResUNet网络；对所述DS
‑
ResUNet网络进行训练：将预处理后的图像输入到所述DS
‑
ResUNet网络中，得到输出结果，使用损失函数计算得到所述输出结果与标记结果的误差，将所述误差与深监督训练策略结合，更新DS
‑
ResUNet网络中的参数，保存最优的DS
‑
ResUNet网络模型，完成对DS
‑
ResUNet网络的训练；将所述CT图像输入到训练完成的DS
‑
ResUNet网络中，输出预测图像，所述预测图像为肺CT血管双路径U
‑
Net分割结果。2.根据权利要求1所述的一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，其特征在于，所述预处理包括：将所述CT图像的体素值截断在[
‑
950，+350]范围内；将所述体素值线性化归一到[0，1]范围内；增强血管与其它背景图像之间的对比度；截取所述CT图像中的最大连通区域；使用数据增强，随机截取所述CT图像序列中连续的32张切片。3.根据权利要求2所述的一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，其特征在于，所述增强血管与其它背景图像之间的对比度通过灰度线性变换完成。4.根据权利要求1所述的一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，其特征在于，所述DS
‑
ResUNet网络包括：编码器、解码器和桥接。5.根据权利要求4所述的一种基于轻量级3D注意力的肺CT血管双路径U
‑
Net分割方法，其特征在于，所述编码器的网络深度为四层，所述解码器的网络深度为四层。6.根据权利要求1所...

【专利技术属性】
技术研发人员：吴仁诚，辛宇，
申请(专利权)人：宁波大学，
类型：发明
国别省市：