一种基于改进的Unet网络的肺炎CT影像分割方法技术

本发明专利技术提供一种基于改进的Unet网络的肺炎CT影像分割方法，属于医学图像处理领域，包括以下步骤：获取待分割的肺炎CT影像；图像预处理；建立改进后的Unet网络结构：以原始Unet的U型网络结构为基础，在编码器后三层原有卷积模块引入残差结构，在编码器与解码器连接处引入ASPP(Atrous Spatial Pyramid Pooling)模块，在跳跃连接处引入CA(Coordinate Attention)注意力机制模块；利用完成预处理的肺炎CT影像对改进后的Unet网络进行训练；将待分割的肺炎CT影像测试集输入训练好的改进后的Unet网络获取分割结果，实验结果表明，本发明专利技术性能优越，避免了梯度消失或梯度爆炸，获取到多尺度影像特征，增强了对关注对象的表示，避免显著的计算开销，相较于其他经典语义分割模型提高了分割的准确性。模型提高了分割的准确性。模型提高了分割的准确性。

【技术实现步骤摘要】
一种基于改进的Unet网络的肺炎CT影像分割方法


[0001]本专利技术涉及一种基于改进的Unet网络的肺炎CT影像分割方法，属于医学图像处理领域。

技术介绍

[0002]伴随着科学技术的快速进步，生活节奏的日益加快，健康问题也越来越受到人们的关注。肺炎疾病的患病人数逐年增加，改善肺炎疾病的早期诊断与治疗，从肺炎CT影像中自动进行肺炎病灶分割成为当前的研究热点。医学影像分割是临床计算机辅助系统的关键一步，准确、高效的影像分割有助于减轻大量的影像数据为临床医生带来的巨大压力，减少由于病灶和背景对比度低导致的漏诊情况，有效地辅助医生进行疾病诊治和预后评估。但医学影像常有清晰度低、噪声伪影、器官组织畸变等情况，一定程度上增加了自动分割的难度。
[0003]随着技术的发展，深度学习在越来越多的领域得到广泛关注与应用，卷积神经网络被很多研究学者应用到医学影像分割领域中。而Unet网络是该领域的典型模型，其解码编码的对称结构设计与跳跃连接使其能够很好地提取影像中的低级特征与高级语义信息，提高分割的准确度。研究人员常根据影像特性、应用场景的不同，在原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，包括如下步骤：S1：获取待分割的肺炎CT影像；S2：图像预处理；S3：建立改进后的Unet网络结构：以原始Unet的U型网络结构为基础，在编码器原有卷积模块引入残差结构，在编码器与解码器连接处引入ASPP(Atrous Spatial Pyramid Pooling)模块，在跳跃连接处引入CA(Coordinate Attention)注意力机制模块；S4：利用完成预处理的肺炎CT影像对改进后的Unet网络进行训练；S5:将待分割的肺炎CT影像测试集输入训练好的改进后的Unet网络获取分割结果。2.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S2所述影像预处理包括将肺炎CT影像裁剪为512
×
512大小，采用基于概率的水平翻转、基于高斯函数的随机模糊、随机扭曲的方式进行数据增强，并将像素值归一化为零均值和单位方差。3.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S3所述建立改进后的Unet网络结构，其中改进的Unet网络结构由编码器、解码器、连接编码器与解码器的ASPP模块、跳跃连接4部分组成，编码器分为4层，进行4次下采样，第一层由一个标准卷积模块和一个下采样模块组成，后三层均由一个引入残差结构的改进卷积模块和一个下采样模块组成；解码器分为4层，进行4次上采样；ASPP模块位于编码器与解码器的连接处，获取不同尺度的影像信息；CA注意力模块位于跳跃连接处，增强对关注对象的表示，具有轻便性，节省计算开销。4.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S3所述建立改进后的Unet网络结构，其中在编码器后三层原有卷积模块引入的残差结构使输入信息经由两条路径处理后将结果...

【专利技术属性】
技术研发人员：张欣卓，
申请(专利权)人：张欣卓，
类型：发明
国别省市：