基于深度学习的肺部CT影像分割方法及成像方法技术

本发明专利技术公开了一种基于深度学习的肺部CT影像分割方法，包括获取已有的肺部CT图像数据集并预处理得到训练数据集；构建肺部CT影像分割原始模型并训练得到肺部CT影像分割模型；采用肺部CT影像分割模型对实际的肺部CT影像进行分割。本发明专利技术还公开了一种包括所述基于深度学习的肺部CT影像分割方法的成像方法。本发明专利技术能够实现更加准确的图像分割结果，能够加速收敛速度，在小规模数据集上也能够表现出较强的分割效果，能够实现更加精准的分割结果，而且能够避免特征崩溃，产生多样化的特征；因此本发明专利技术的可靠性高、精确性好且客观科学。精确性好且客观科学。精确性好且客观科学。

【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基于深度学习的肺部CT影像分割方法。
[0007]本专利技术的目的之二在于提供一种包括了所述基于深度学习的肺部CT影像分割方法的成像方法。
[0008]本专利技术提供的这种基于深度学习的肺部CT影像分割方法，包括如下步骤：
[0009]S1.获取已有的肺部CT图像数据集；
[0010]S2.对步骤S1获取的数据，进行预处理，从而得到训练数据集；
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]预处理包括图像裁剪、重采样和归一化操作；
[0016]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；
[0017]对得到的边界框，进行重采样操作；
[0018]重采样完成后，采用Z
‑
score对图像进行归一化：
[0019][0020]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。
[0021]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：
[0022]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；
[0023]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；
[0024]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；
[0025]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。
[0026]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；
[0027]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；
[0028]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；
[0029]卷积层为三维卷积层；
[0030]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；
[0031]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；
[0032]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。
[0033]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；
[0034]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；
[0035]patchembedding模块用于将图像划分为一系列不重叠的patch(块)，并将每个
patch投影到一个高维空间；
[0036]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；
[0037]Transformer块的计算公式为：
[0038][0039][0040]式中表示第l层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：
[0041]MLP＝Linear2(GELU(Linear1(x)))
[0042]式中MLP为处理函数；x为输入特征；Linear1和Linear2为全连接模块；GELU()为高斯误差线性单元的处理函数，且本文档来自技高网...

【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：