CT图像新冠肺炎区域分割方法及成像方法技术

本发明专利技术公开了一种CT图像新冠肺炎区域分割方法，包括获取带有标签标注的新冠肺炎CT图像数据集并处理得到训练数据集；构建CT图像新冠肺炎区域分割初步模型；构建辅助分类网络；基于辅助分类网络，训练CT图像新冠肺炎区域分割初步模型得到CT图像新冠肺炎区域分割模型；采用CT图像新冠肺炎区域分割模型完成实际CT图像的新冠肺炎区域分割。本发明专利技术还公开了一种包括所述CT图像新冠肺炎区域分割方法的成像方法。本发明专利技术能够捕获更完整的区域信息，能够不断缩小预测图和标签的差异，能够细化分割结果，提升新冠肺炎区域分割的准确率；因此本发明专利技术的可靠性高、准确性好且客观科学。准确性好且客观科学。准确性好且客观科学。

【技术实现步骤摘要】
CT图像新冠肺炎区域分割方法及成像方法


[0001]本专利技术属于医学图像处理领域，具体涉及一种CT图像新冠肺炎区域分割方法及成像方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，人们对于健康的关注程度也越来越高。
[0003]目前，随着人工智能算法的发展，医疗领域的人工智能辅助技术方案也得到了广泛的应用。CT医学图像分割技术，能够有效的辅助临床医生快速找到相关的感兴趣区域，从而提高临床医生的工作效率。因此，针对CT图像的区域分割技术，一直是研究人员的研究重点之一。
[0004]目前，传统的CT图像分割方法利用CT图像的纹理、阈值等特征进行分割，但分割结果并不理想。基于深度学习的CT图像分割方法虽然在一定上提高了感兴趣区域的分割准确率，但是现有的分割方法对具有对比度低、边缘模糊等特点的新冠肺炎区域的分割，依然存在准确率低、可靠性差的缺陷。

技术实现思路

[0005]本专利技术的目的之一在于提供一种可靠性高、准确性好且客观科学的CT图像新冠肺炎区域分割方法。
[0006]本专利技术的目的之二在于提供一种包括了所述CT图像新冠肺炎区域分割方法的成像方法。
[0007]本专利技术提供的这种CT图像新冠肺炎区域分割方法，包括如下步骤：
[0008]S1.获取带有标签标注的新冠肺炎CT图像数据集；
[0009]S2.对步骤S1获取的数据集进行图像处理，得到训练数据集；
[0010]S3.基于局部特征融合网络，构建CT图像新冠肺炎区域分割初步模型；
[0011]S4.构建辅助分类网络，对CT图像新冠肺炎区域分割初步模型的分割结果进行细化；
[0012]S5.基于步骤S4构建的辅助分类网络，采用步骤S2得到的训练数据集，对步骤S3构建的CT图像新冠肺炎区域分割初步模型进行训练，得到CT图像新冠肺炎区域分割模型；
[0013]S6.采用步骤S5得到的CT图像新冠肺炎区域分割模型，完成实际CT图像的新冠肺炎区域分割。
[0014]步骤S2所述的对步骤S1获取的数据集进行图像处理，得到训练数据集，具体包括如下步骤：
[0015]对图像进行二值化，得到灰度图I
g
；
[0016]设置形态过滤的内核k为k＝getStructuringElement(1,size＝[17,17])，其中getStructuringElement()为重构函数；
[0017]对灰度图像进行黑帽滤波，得到病灶轮廓图I
e
为I
e
＝morphologyEx(I
g
,MORPH_BLACKHAT,k)，其中morphologyEx()为转换函数；
[0018]对病灶轮廓图I
e
进行阈值修复，得到预处理图像；
[0019]将得到的预处理图像转化为彩色图片，完成一张图像的预处理；
[0020]对获取的数据集中的每一张图像均进行预处理操作，从而得到训练数据集。
[0021]步骤S3所述的基于局部特征融合网络，构建CT图像新冠肺炎区域分割初步模型，具体包括如下步骤：
[0022]模型包括编码层和解码层；
[0023]在编码层中使用空洞卷积扩大网络的感受野，采用深度可分离卷积来减少网络的训练参数；在编码层和解码层中采用三重混合域注意力机制，从而促进病灶信息的表达并抑制非病灶信息的表达；
[0024]网络的解码层由形状网络和反卷积构成，其中形状网络采用门卷积和残差卷积，通过捕获病灶的轮廓信息来确定完整的病灶区域；
[0025]形状网络提取轮廓特征的具体过程为：首先使用残差卷积获取病灶全局特征，然后利用门控卷积提取病灶的边缘轮廓信息，过滤非轮廓信息；
[0026]在上采样中，首先对四层特征进行1*1卷积，统一上采样特征图的通道数，为后续的特征融合做准备；然后将模型最后一层的采样特征输入到残差块中，将残差块的输出和第一层上采样同时馈送到门控卷积中；最后门控卷积输出的特征图再次由残差卷积处理，将结果继续添加到门控卷积的第二层上采样中；重复本步骤直到执行到上采样特征图的最后一层；
[0027]对模型中上采样中的最后一层特征与前一层特征图进行最后一次门控卷积，得到病灶的轮廓特征；将形状网络提取的病灶轮廓特征与病灶特征融合，得到比单一病灶特征更准确的分割结果。
[0028]所述的三重混合域注意力机制，具体包括如下步骤：
[0029]对输入的图像依次执行空洞卷积和深度可分离卷积，提取病灶区域特征F；
[0030]将病灶区域特征F进行3*3的平均池化处理，得到平均池化特征F1为F1＝Avg_Pool(F,pool
size
＝[3,3])。Avg_Pool(
·
)表示平均池化操作，pool
size
＝[3,3]表示池化使用3*3尺寸大小的卷积核；
[0031]在局部特征融合网络中生成通道注意力图，得到通道注意力特征F2，F2＝MLP(F1)，,其中MLP(
·
)为共享网络的操作函数；
[0032]对通道注意力特征F2执行非线性处理，得到激活区域特征F
c
，F
c
＝σ(F2)，其中σ()为Sigmoid为非线性激活函数；
[0033]将激活区域特征F
c
分别进行7*7的平均池化和7*7的最大池化，得到平均池化激活区域特征F
avg
和最大池化激活区域特征F
max
；
[0034]将平均池化激活区域特征F
avg
和最大池化激活区域特征F
max
，在第三个维度上进行通道拼接，得到拼接融合区域特征F
f
；
[0035]对拼接融合区域特征F
f
进行空洞空间金字塔池化和非线性处理，得到区域特征F
s
为F
s
＝σ(ASPP(F
f
))，其中ASPP()为空洞空间金字塔池化处理，σ()为Sigmoid非线性激活函数；
[0036]将区域特征F输入位置注意力模块，采用三次3*3的卷积并进行reshape操作，得到第一区域特征F3、第二区域特征F4和第三区域特征F5；
[0037]将第一区域特征F3和第二区域特征F4进行矩阵乘法操作，得到乘法区域特征F6；
[0038]将第三区域特征F5和乘法区域特征F6再次进行矩阵乘法操作，得到位置注意力区域特征F
p
；
[0039]将激活区域特征F
c
、区域特征F
s
和位置注意力区域特征F
p
进行合并融合，得到输出病灶区域特征F
out
为F
out
＝Stack[F
c
,F
s
,F
p...

【技术保护点】

【技术特征摘要】
1.一种CT图像新冠肺炎区域分割方法，包括如下步骤：S1.获取带有标签标注的新冠肺炎CT图像数据集；S2.对步骤S1获取的数据集进行图像处理，得到训练数据集；S3.基于局部特征融合网络，构建CT图像新冠肺炎区域分割初步模型；S4.构建辅助分类网络，对CT图像新冠肺炎区域分割初步模型的分割结果进行细化；S5.基于步骤S4构建的辅助分类网络，采用步骤S2得到的训练数据集，对步骤S3构建的CT图像新冠肺炎区域分割初步模型进行训练，得到CT图像新冠肺炎区域分割模型；S6.采用步骤S5得到的CT图像新冠肺炎区域分割模型，完成实际CT图像的新冠肺炎区域分割。2.根据权利要求1所述的CT图像新冠肺炎区域分割方法，其特征在于步骤S2所述的对步骤S1获取的数据集进行图像处理，得到训练数据集，具体包括如下步骤：对图像进行二值化，得到灰度图I
g
；设置形态过滤的内核k为k＝getStructuringElement(1,size＝[17,17])，其中getStructuringElement()为重构函数；对灰度图像进行黑帽滤波，得到病灶轮廓图I
e
为I
e
＝morphologyEx(I
g
,MORPH_BLACKHAT,k)，其中morphologyEx()为转换函数；对病灶轮廓图I
e
进行阈值修复，得到预处理图像；将得到的预处理图像转化为彩色图片，完成一张图像的预处理；对获取的数据集中的每一张图像均进行预处理操作，从而得到训练数据集。3.根据权利要求2所述的CT图像新冠肺炎区域分割方法，其特征在于步骤S3所述的基于局部特征融合网络，构建CT图像新冠肺炎区域分割初步模型，具体包括如下步骤：模型包括编码层和解码层；在编码层中使用空洞卷积扩大网络的感受野，采用深度可分离卷积来减少网络的训练参数；在编码层和解码层中采用三重混合域注意力机制，从而促进病灶信息的表达并抑制非病灶信息的表达；网络的解码层由形状网络和反卷积构成，其中形状网络采用门卷积和残差卷积，通过捕获病灶的轮廓信息来确定完整的病灶区域；形状网络提取轮廓特征的具体过程为：首先使用残差卷积获取病灶全局特征，然后利用门控卷积提取病灶的边缘轮廓信息，过滤非轮廓信息；在上采样中，首先对四层特征进行1*1卷积，统一上采样特征图的通道数，为后续的特征融合做准备；然后将模型最后一层的采样特征输入到残差块中，将残差块的输出和第一层上采样同时馈送到门控卷积中；最后门控卷积输出的特征图再次由残差卷积处理，将结果继续添加到门控卷积的第二层上采样中；重复本步骤直到执行到上采样特征图的最后一层；对模型中上采样中的最后一层特征与前一层特征图进行最后一次门控卷积，得到病灶的轮廓特征；将形状网络提取的病灶轮廓特征与病灶特征融合，得到比单一病灶特征更准确的分割结果。4.根据权利要求3所述的CT图像新冠肺炎区域分割方法，其特征在于所述的三重混合域注意力机制，具体包括如下步骤：
对输入的图像依次执行空洞卷积和深度可分离卷积，提取病灶区域特征F；将病灶区域特征F进行3*3的平均池化处理，得到平均池化特征F1为F1＝Avg_Pool(F,pool
size
＝[3,3])。Avg_Pool(
·
)表示平均池化操作，pool
size
＝[3,3]表示池化使用3*3尺寸大小的卷积核；在局部特征融合网络中生成通道注意力图，得到通道注意力特征F2，F2＝MLP(F1)，,其中MLP(
·
)为共享网络的操作函数；对通道注意力特征F2执行非线性处理，得到激活区域特征F
c
，F
c
＝σ(F2)，其中σ()为Sigmoid为非线性激活函数；将激活区域特征F
c
分别进行7*7的平均池化和7*7的最大池化，得到平均池化激活区域特征F
avg
和最大池化激活区域特征F
max
；将平均池化激活区域特征F
avg
和最大池化激活区域特征F
max
，在第三个维度上进行通道拼接，得到拼接融合区域特征F
f
；对拼接融合区域特征F
f
进行空洞空间金字塔池化和非线性处理，得到区域特征F
s
...

【专利技术属性】
技术研发人员：王天锷，雷前慧，马俊勇，熊思宇，潘丽丽，罗顺辉，
申请(专利权)人：湖南省送变电工程有限公司国家电网有限公司，
类型：发明
国别省市：