基于AFF-Net框架边界模糊的肺结核病灶分割方法和系统技术方案

本发明专利技术公开了一种基于AFF

【技术实现步骤摘要】
基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法和系统


[0001]本专利技术属于图像分割
，本专利技术涉及一种基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法和系统。

技术介绍

[0002]相关技术中，在对肺部CT影像进行识别时，无法准确地对肺结核病灶进行分割，从而大大降低了肺结核诊断的准确性。

技术实现思路

[0003]本专利技术的目的在于提供一种基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法。
[0004]本专利技术的另一个目的是提供一种基于AFF
‑
Net框架边界模糊的肺结核病灶分割系统。
[0005]实现本专利技术目的的技术解决方案为：
[0006]一种基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法，包括以下步骤：获取待分割肺结核图像，并对所述待分割肺结核图像进行预处理以获取目标病灶分割的输入图像；对AFF深度学习模型进行训练以获取目标病灶语义分割模型；采用所述目标病灶语义分割模型对所述目标病灶分割的输入图像进行处理，并输出相应的病灶分割图像。
[0007]在本专利技术的一个实施例中，对所述待分割肺结核图像进行预处理以获取目标病灶分割的输入图像，包括：依次对所述待分割肺结核图像进行裁剪、去噪和形态学运算处理，以获取所述目标病灶分割的输入图像。
[0008]在本专利技术的一个实施例中，所述AFF深度学习模型包括编码器、特征融合器和解码器，所述编码器包括第一至第三卷积块、第一至第三膨胀卷积块和第一至第四池化层，所述特征融合器包括第一至第三AFS模块和第五至第七池化层，所述解码器包括第一至第四上采样模块、第一至第四注意力门融合模块和第一至第四特征图拼接模块，其中，对AFF深度学习模型进行训练以获取目标病灶语义分割模型，包括：获取肺结核对应的训练图像；采用第一卷积块对所述训练图像的通道数进行扩展以获取第一特征图像，并采用第一膨胀卷积块对所述第一特征图像进行膨胀卷积以获取第二特征图像，以及采用第一池化层对所述第二特征图像进行下采样以获取第三特征图像，并采用第二膨胀卷积块对所述第三特征图像进行膨胀卷积以获取第四特征图像，以及采用第二池化层对所述第四特征图像进行下采样以获取第五特征图像，并采用第三膨胀卷积块对所述第五特征图像进行膨胀卷积以获取第六特征图像，以及采用第三池化层对所述第六特征图像进行下采样以获取第七特征图像，并采样第二卷积块对所述第七特征图像进行卷积以获取第八特征图像，以及采样第四池化层对所述第八特征图像进行下采样以获取第九特征图像，并采用第三卷积块对所述第九特征图像进行卷积以获取第十特征图像；采用第五池化层对所述第二特征图像进行下采样以获取第十一特征图像，并采用第六池化层对所述第四特征图像进行下采样以获取第十二特征图像，以及采用第七池化层对所述第六特征图像进行下采样以获取第十三特征图像，并
采用第一AFS模块对所述第十一特征图像和所述第十二特征图像进行特征选择和融合以获取第一特征融合图像，以及采用第二AFS模块对所述第十三特征图像和所述第十特征图像进行特征选择和融合以获取第二特征融合图像，并采用第三AFS模块对所述第一特征融合图像和所述第二特征融合图像进行特征选择和融合以获取第三特征融合图像；采用第一注意力门融合模块对所述第七特征图像和所述第三特征融合图像进行注意力门融合以获取第十四特征图，并采用第一上采样模块对所述第三特征融合图像进行上采样以获取第十五特征图，以及采用第一特征图拼接模块对所述第十四特征图和所述第十五特征图进行拼接以获取第十五特征图像，并采用第二注意力门融合模块对所述第五特征图像和所述第十五特征图像进行注意力门融合以获取第十六特征图像，以及采用第二上采样模块对所述第十五特征图像进行上采样以获取第十七特征图像，并采用第二特征图拼接模块对所述第十六特征图像和所述第十七特征图像进行拼接以获取第十八特征图像，以及采用第三注意力门融合模块对所述第三特征图像和所述第十八特征图像进行注意力门融合以获取第十九特征图像，并采用第三上采样模块对所述第十八特征图像进行上采样以获取第二十特征图像，以及采用第三特征图拼接模块对所述第十九特征图像和所述第二十特征图像进行拼接以获取第二十一特征图像，并采用第四注意力门融合模块对所述第一特征图像和所述第二十一特征图像进行注意力门融合以获取第二十二特征图像，以及采用第四上采样模块对所述第二十一特征图像进行上采样以获取第二十三特征图像，并采用第四特征图拼接模块对所述第二十二特征图像和所述第二十三特征图像进行拼接以获取预测图像。
[0009]在本专利技术的一个实施例中，所述对AFF深度学习模型进行训练以获取目标病灶语义分割模型，还包括：对所述训练图像进行标注以获取标注图像；对所述预测图像进行边缘处理以获取第一边缘图像，并对所述标注图像进行边缘处理以获取第二边缘图像；将所述第一边缘图像划分为N个第一片段，并采用第一多项式拟合函数分别对N个所述第一片段进行拟合以获取N个第一拟合曲线，以及将所述第二边缘图像划分为N个第二片段，并采用第二多项式拟合函数分别对N个所述第二片段进行拟合以获取N个第二拟合曲线；计算所述第一拟合曲线与相应的所述第二拟合曲线的形状相似度，并根据所述形状相似度获取相应的形状相似度权重；根据所述形状相似度权重获取损失函数；根据所述损失函数计算所述标注图像与所述预测图像之间的差距，并根据所述差距调整第一至第三卷积块、第一至第三膨胀卷积块、第一至第七池化层、第一至第三AFS模块、第一至第四上采样模块、第一至第四注意力门融合模块和第一至第四特征图拼接模块的权重。
[0010]在本专利技术的一个实施例中，所述对AFF深度学习模型进行训练以获取目标病灶语义分割模型，还包括：分别计算所述标注图像中病灶区域的每个像素点到肺实质和背景的距离；根据所述像素点到所述肺实质和所述背景的距离计算相应的距离权重；根据所述距离权重和所述相似度权重获取所述损失函数。
[0011]在本专利技术的一个实施例中，所述对AFF深度学习模型进行训练以获取目标病灶语义分割模型，还包括：计算所述标注图像中尺寸最大的病灶区域的第一像素和，并根据所述第一像素和计算惩罚权重矩阵；将所述标注图像划分为第一标注区域、第二标注区域和第三标注区域，并分别计算所述第一标注区域的第二像素和、所述第二标注区域的第三像素和以及所述第三标注区域的第四像素和；根据所述惩罚权重矩阵、所述第二像素和、所述第三像素和、所述第四像素和、所述距离权重和所述相似度权重获取所述损失函数。
[0012]一种基于AFF
‑
Net框架边界模糊的肺结核病灶分割系统，包括：第一获取单元，所述第一获取单元用于获取待分割肺结核图像，并对所述待分割肺结核图像进行预处理以获取目标病灶分割的输入图像；第二获取单元，所述第二获取单元用于对AFF深度学习模型进行训练以获取目标病灶语义分割模型；病灶分割单元，所述病灶分割单元用于采用所述目标病灶语义分割模型对所述目标病灶分割的输入图像进行处理，并输出相应的病灶分割图像。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法，其特征在于，包括以下步骤：获取待分割肺结核图像，并对所述待分割肺结核图像进行预处理以获取目标病灶分割的输入图像；对AFF深度学习模型进行训练以获取目标病灶语义分割模型；采用所述目标病灶语义分割模型对所述目标病灶分割的输入图像进行处理，并输出相应的病灶分割图像。2.根据权利要求1所述的基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法，其特征在于，对所述待分割肺结核图像进行预处理以获取目标病灶分割的输入图像，包括：依次对所述待分割肺结核图像进行裁剪、去噪和形态学运算处理，以获取所述目标病灶分割的输入图像。3.根据权利要求1所述的基于AFF
‑
Net框架边界模糊的肺结核病灶分割方法，其特征在于，所述AFF深度学习模型包括编码器、特征融合器和解码器，所述编码器包括第一至第三卷积块、第一至第三膨胀卷积块和第一至第四池化层，所述特征融合器包括第一至第三AFS模块和第五至第七池化层，所述解码器包括第一至第四上采样模块、第一至第四注意力门融合模块和第一至第四特征图拼接模块，其中，对AFF深度学习模型进行训练以获取目标病灶语义分割模型，包括：获取肺结核对应的训练图像；采用第一卷积块对所述训练图像的通道数进行扩展以获取第一特征图像，并采用第一膨胀卷积块对所述第一特征图像进行膨胀卷积以获取第二特征图像，以及采用第一池化层对所述第二特征图像进行下采样以获取第三特征图像，并采用第二膨胀卷积块对所述第三特征图像进行膨胀卷积以获取第四特征图像，以及采用第二池化层对所述第四特征图像进行下采样以获取第五特征图像，并采用第三膨胀卷积块对所述第五特征图像进行膨胀卷积以获取第六特征图像，以及采用第三池化层对所述第六特征图像进行下采样以获取第七特征图像，并采样第二卷积块对所述第七特征图像进行卷积以获取第八特征图像，以及采样第四池化层对所述第八特征图像进行下采样以获取第九特征图像，并采用第三卷积块对所述第九特征图像进行卷积以获取第十特征图像；采用第五池化层对所述第二特征图像进行下采样以获取第十一特征图像，并采用第六池化层对所述第四特征图像进行下采样以获取第十二特征图像，以及采用第七池化层对所述第六特征图像进行下采样以获取第十三特征图像，并采用第一AFS模块对所述第十一特征图像和所述第十二特征图像进行特征选择和融合以获取第一特征融合图像，以及采用第二AFS模块对所述第十三特征图像和所述第十特征图像进行特征选择和融合以获取第二特征融合图像，并采用第三AFS模块对所述第一特征融合图像和所述第二特征融合图像进行特征选择和融合以获取第三特征融合图像；采用第一注意力门融合模块对所述第七特征图像和所述第三特征融合图像进行注意力门融合以获取第十四特征图，并采用第一上采样模块对所述第三特征融合图像进行上采样以获取第十五特征图，以及采用第一特征图拼接模块对所述第十四特征图和所述第十五特征图进行拼接以获取第十五特征图像，并采用第二注意力门融合模块对所述第五特征图像和所述第十五特征图像进行注意力门融合以获取第十六特征图像，以及采用第二上采样
模块对所述第十五特征图像进行上采样以获取第十七特征图像，并采用第二特征图拼接模块对所述第十六特征图像和所述第十七特征图像进行拼接以获取第十八特征图像，以及采用第三注意力门融合模块对所述第三特征图像和所述第十八特征图像进行注意力门融合以获取第十九特征图像，并采用第三上采样模块对所述第十八特征图像进行上采样以获取第二十特征图像，以及采用第三特征图拼接模块对所述第十九特征图像和所述第二十特征图像进行拼接以获取第二十一特征图像...

【专利技术属性】
技术研发人员：史向航，鲁明丽，徐本连，蒋冬梅，施健，从金亮，王伟强，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：