【技术实现步骤摘要】
基于深度学习的肺部CT影像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,具体涉及一种基于深度学习的肺部CT影像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度越来越高;因此医学图像处理技术就显得越来越重要。
[0003]在临床应用和实验研究过程中,肺部CT影像都有着重要的辅助作用,能够有效帮助临床人员进行后续的肺部疾病的诊断,或者能够有效帮助实验研究人员进行后续的研究。因此,肺部CT影像的分割过程就显得尤为重要。
[0004]目前,针对肺部CT影像的分割方法,往往是采用深度学习模型来独立学习特征表示,并利用学习的高维抽象来完成分割任务;比如,现今常用基于Transformer技术的图像分割方法,来进行肺部CT影像的分割。
[0005]Transformer最初应用于自然语言处理,并取得了重大的成功;自从ViT诞生以来,Transformer在一系列计算机视觉任务上取得了有竞争力的性能。然而,随着研究的不断深入,Transformer的一些缺点也逐渐暴露出来。其中最为重要的一点是,Transformer通常需要大规模的数据集进行训练,才能表现出更好的性能。但是,医学图像的数据集通常较小,而肺部CT影像的数据集则相对更少。因此,现有的基于Transformer技术的肺部CT图像分割方法,其精确度相对较差,而且可靠性不高。
技术实现思路
[0006]本专利技术的目的之一在于提供一种可靠性高、精确性好且客观科学的 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的肺部CT影像分割方法,包括如下步骤:S1.获取已有的肺部CT图像数据集;S2.对步骤S1获取的数据,进行预处理,从而得到训练数据集;S3.基于卷积编码器、Transformer编码器、融合模块和对应的解码器,构建肺部CT影像分割原始模型;S4.采用步骤S2得到的训练数据集,对步骤S3构建的肺部CT影像分割原始模型进行训练,得到肺部CT影像分割模型;S5.采用步骤S4得到的肺部CT影像分割模型,对实际的肺部CT影像进行分割。2.根据权利要求1所述的基于深度学习的肺部CT影像分割方法,其特征在于步骤S2所述的对步骤S1获取的数据,进行预处理,具体包括如下步骤:预处理包括图像裁剪、重采样和归一化操作;图像裁剪为通过设定像素阈值裁剪得到需要目标的边界框;对得到的边界框,进行重采样操作;重采样完成后,采用Z
‑
score对图像进行归一化:式中z
i
为归一化后的灰度值;x
i
为原始的灰度值;μ为图像灰度的均值;σ为图像灰度的标准差。3.根据权利要求2所述的基于深度学习的肺部CT影像分割方法,其特征在于步骤S3所述的基于卷积编码器、Transformer编码器、融合模块和对应的解码器,构建肺部CT影像分割原始模型,具体包括如下步骤:将获取的图像数据,输入到卷积编码器模块学习得到局部特征,并同时输入到Transformer编码器模块学习得到全局特征;将获取的局部特征和全局特征采用融合模块进行特征融合,得到编码器的输出;根据卷积编码器模块,对应的构建解码器;并将获取特征输入到解码器进行解码;将解码器输出的特征采用softmax函数进行处理,得到最终的不同类别特征的概率。4.根据权利要求3所述的基于深度学习的肺部CT影像分割方法,其特征在于所述的卷积编码器模块,具体由若干个卷积模块组成,每个卷积模块均包括两个Conv
‑
IN
‑
LeakyReLU模块;每个Conv
‑
IN
‑
LeakyReLU模块包括依次串联的一个卷积层、一个InstanceNorm层和一个LeakyReLU层;卷积编码器模块的处理函数为Y
o
=LeakyReLU(IN(Conv(X))),其中Y
o
为编码器模块的输出特征,X为输入特征,Conv()为卷积层处理函数;IN()为InstanceNorm层处理函数;LeakyReLU()为LeakyReLU层处理函数;卷积层为三维卷积层;InstanceNorm层的处理公式为其中Y为处理结果特征,X为输入特征,μ为输入特征的均值,σ为输入特征的方差,ε为误差系数,γ为第一学习参数;β为第二学
习参数;LeakyReLU层的处理公式为其中y
i
为经过激活函数后的处理特征;x
i
为特征图中的第i个值;a为固定的常数;每一个卷积模块中的第一个Conv
‑
IN
‑
LeakyReLU模块用于下采样操作,其卷积核大小为3,卷积核滑动步长为2。5.根据权利要求4所述的基于深度学习的肺部CT影像分割方法,其特征在于所述的Transformer编码器模块,具体包括一个patchembedding模块、若干个连续的Transformer块和若干个下采样模块;相邻的Transformer块之间均连接有一个下采样模块;下采样模块采用三线性插值操作,并在插值完成之后采用卷积核大小为1的卷积来调整特征图的通道数,从而保证特征图的通道数增加1倍;patch embedding模块用于将图像划分为一系列不重叠的patch,并将每个patch投影到一个高维空间;每一个Transformer块均包括第一归一化层、ShiftDW层、第二归一化层和多层感知机层;输入特征通过第一归一化层归一化后,再通过ShiftDW层处理;ShiftDW层的处理结果与输入特征连接得到第二输入特征;第二输入特征输入到第二归一化层进行处理,然后在通过多层感知机层进行处理;多层感知机层的处理结果与第二输入特征连接后,作为当前的Transformer块的输出特征;Transformer块的计算公式为:Transformer块的计算公式为:式中为ShiftDW模块的输出;ShiftDW()为ShiftDW层处理函数;z
l
为第l层Transformer的输出;BN()为第一归一化层和第二归一化层的处理函数;MLP()为多层感知机层处理函数,且多层感知机的层数为2层;MLP()的计算公式为:MLP=Linear2(GELU(Linear1(x)))式中MLP为处理函数;Linear1()为第一个全连接操作;x为输入特征;Linear2()为第二个全连接操作;GELU()为高斯误差线性单元的处理函数,且x为输入特征,erf()为中间处理函数且6.根据权利要求5所述的基于深度学习的肺部CT影像分割方法,其特征在于所述的ShiftDW层,用于代替Transformer块中的多头自注意力模块;ShiftDW层具体包括依次串接的移位操作、第一逐点卷积操作、深度卷积操作和第二逐点卷积操作;ShiftDW层的计算公式为:ShiftDW(z)=PWConv2(DWConv(PWConv1(Shift(x))))
式中ShiftDW(z)为ShiftDW层的输出特征...
【专利技术属性】
技术研发人员:周建存,匡湖林,王建新,刘权,
申请(专利权)人:湖南城市学院智相健康科技北京有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。