一种基于DMC-UNet的肺结节分割方法技术

本发明专利技术提供一种基于DMC

【技术实现步骤摘要】
一种基于DMC
‑
UNet的肺结节分割方法


[0001]本专利技术涉及计算机技术和医学图像分析
，特别涉及一种基于DMC
‑
UNet的肺结节分割方法。

技术介绍

[0002]在当今世界范围内，肺癌是常见的癌症之一，并且是因癌症而导致死亡的最常见原因。在2020年统计显示，共有1万例新发肺癌死亡病例，占所有癌症死亡率的8％。肺癌的5年生存率(7％
‑
25％)远低于其他主要癌症。在早期肺癌中，多以肺结节的形式出现，对于早期肺癌患者，可以通过临床手术治疗，并且存活率非常高，更早的发现和诊断肺结节，可以增加治愈肺癌患者的机会，并且不同类型的肺结节，如实性结节、部分实性结节和钙化结节等在严重程度和症状上也是具有差异，因此迅速准确地筛查和诊断肺结节对于肺癌的诊断和治疗至关重要。
[0003]现如今，医学影像技术已经广泛应用于早期肺癌检测中，其中，较突出的技术就是计算机断层扫描成像和核磁共振成像。尤其是低剂量的计算机断层扫描成像(CT)技术，其具有低辐射、高分辨率等优点，但是每次进行肺部成像时会产生大量切片图像，给放射科医生带来了巨大的工作压力，并且肺结节的类型较多、尺寸较小、形状多变、不易诊断，可能导致误诊。因此，随着CT技术的发展，采用计算机辅助技术(CAD)对肺结节进行分割已成为趋势。
[0004]传统的分割方法包括基于阈值的分割算法、区域生长算法、边缘检测算法、迭代局部阈值分割算法、活动轮廓模型、聚类法等。这些方法主要是通过对图像进行预处理，如灰度化、滤波、二值化等，然后应用特定的算法来确定图像中不同区域的边界或分割点。这些方法在计算速度方面有优势，但通常需要手动选择合适的参数和调整算法，其准确性和鲁棒性也受到一定限制。基于深度学习的分割方法相比传统的分割方法优势在于准确率更高、鲁棒性更好、可自动提取特征、可迁移性更强和适用范围更广。2D分割网络是深度学习中的一种神经网络，主要用于解决图像语义分割问题。它通常由编码器和解码器组成，其中编码器用于提取输入图像的特征表示，而解码器则将这些特征映射回原始图像大小以生成每个像素的标签或掩码，但现有的分割模型仍然存在以下几点不足：1.低对比度图像处理不精准；2.对于小尺寸物体检测欠佳；3.对于大规模的图像数据集运行时间太长。

技术实现思路

[0005]鉴于以上内容，有必要提供一种基于DMC
‑
UNet的肺结节分割方法，该方法利用DMC
‑
UNet网络模型实现图像分割，使得分割精度更高，其中，DMC
‑
UNet网络模型是基于UNet所改进的网络，其在UNet网络基础上增加轻量化残差结构、多尺度特征上采样和转置卷积上采样并行融合的结构与X/Y CCA(X/Y Channel Attention Module and Coordinate Attention)注意力模块，通过该种改进，使得在保持UNet网络主体框架结构的前提下，在分割效果上有着更加出色的表现。
[0006]为达到上述目的，本专利技术所采用的技术方案是：
[0007]一种基于DMC
‑
UNet的肺结节分割方法，包括如下步骤：
[0008]S1，对LIDC公开数据集提供的CT图像进行预处理，获得数据集；
[0009]S2，在UNet网络基础上增加轻量化残差结构、多尺度特征上采样和转置卷积上采样并行融合的结构与X/Y CCA注意力模块，构建DMC
‑
UNet网络模型；
[0010]S3，在步骤S1所获得的数据集上训练步骤S2所得的DMC
‑
UNet网络模型并进行测试；
[0011]S4，将待分割的肺部CT图像引入训练好的DMC
‑
UNet网络模型，得到分割后的结构。
[0012]进一步地，步骤S1中的预处理过程如下：
[0013]S1.1，下载LIDC公开数据集，将LIDC公开数据集进行图像预处理，其中，LIDC公开数据集中的每一个样本均包含有四个放射科医生标注的标注信息；对每一个标注信息，进行或运算，生成新的掩模图像；在每一个样本中，若存在一个医生将特定区域标注为结节，则该区域被视为结节；
[0014]S1.2，对预处理好的肺部CT图像进行裁剪，剪裁使得步骤S1.2所确定的结节位于图像的中心，同时剪裁时将图像的分辨率缩放到128
×
128，处理好图像后，将低分辨率图像与高分辨率图像组合成信息对，制作成数据集。
[0015]进一步地，步骤S2中，在UNet网络基础上增加轻量化残差结构、多尺度特征上采样和转置卷积上采样并行融合的结构与X/Y CCA注意力模块，构建DMC
‑
UNet网络模型，具体为：
[0016]S2.1，将步骤S1所得的数据集输入到轻量化残差结构中，得到初步特征图；
[0017]S2.2，将步骤S2.1所得的初步特征图进行下采样操作，得到新的特征图；
[0018]S2.3，将步骤S2.2所得的特征图再经步骤S2.2相同的下采样操作四次后，将每一层所提取的包含抽象和高级语义信息的特征经过中间层，当中间层得到高级语义信息后进入步骤S2.4中进行上采样处理；
[0019]S2.4，上采样处理时，将UNet网络上采样过程中的转置卷积和改进的ESPCN超分辨率技术并行分别通过步骤S2.1的轻量化残差结构操作，而后进行点乘运算，得到的特征图进入步骤S2.5中进行处理；
[0020]S2.5，将步骤S2.4中所得的特征图输入到CCA注意力模块中，得到的特征图进入步骤S2.6中进行处理；
[0021]S2.6，将步骤S2.5中所得的特征图再输入到CCA注意力模块中，经过三次同样的操作后，将得到的特征图输入到最后一层的网络中，最终通过末层卷积层输出最终的特征图。
[0022]进一步地，步骤S2中，轻量化残差结构是由两个DSC单元与一个DSC单元进行残差连接，最后经过ReLU激活函数进行激活，其中，DSC单元为深度可分离卷积单元，其由3
×
3的逐通道卷积和1
×
1的逐点卷积组成。
[0023]进一步地，步骤S2.2中，下采样操作具体是采用2
×
2最大池化操作，以将分辨率压缩到输入特征图的1/2。
[0024]进一步地，步骤S2.4中，改进的ESPCN超分辨率技术是在传统ESPCN超分辨率技术的基础上，将多尺度特征融合模块替换了ESPCN原本的Hidden layers来实现对特征图的特征提取，在此，将多尺度特征融合模块称为ASPP模块。
[0025]进一步地，ASPP模块由四个并行分支组成，其中，第一个分支是1
×
1的卷积层，其余三个分支采用3
×
3的膨胀卷积，膨胀系数分别为2、4、8；通过在维度上将四个分支的特征信息拼接起来，并通过1
×
1的卷积层改变通道数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，包括如下步骤：S1，对LIDC公开数据集提供的CT图像进行预处理，获得数据集；S2，在UNet网络基础上增加轻量化残差结构、多尺度特征上采样和转置卷积上采样并行融合的结构与X/Y CCA注意力模块，构建DMC
‑
UNet网络模型；S3，在步骤S1所获得的数据集上训练步骤S2所得的DMC
‑
UNet网络模型并进行测试；S4，将待分割的肺部CT图像引入训练好的DMC
‑
UNet网络模型，得到分割后的结构。2.如权利要求1所述的一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，步骤S1中的预处理过程如下：S1.1，下载LIDC公开数据集，将LIDC公开数据集进行图像预处理，其中，LIDC公开数据集中的每一个样本均包含有四个放射科医生标注的标注信息；对每一个标注信息，进行或运算，生成新的掩模图像；在每一个样本中，若存在一个医生将特定区域标注为结节，则该区域被视为结节；S1.2，对预处理好的肺部CT图像进行裁剪，剪裁使得步骤S1.2所确定的结节位于图像的中心，同时剪裁时将图像的分辨率缩放到128
×
128，处理好图像后，将低分辨率图像与高分辨率图像组合成信息对，制作成数据集。3.如权利要求1所述的一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，步骤S2中，在UNet网络基础上增加轻量化残差结构、多尺度特征上采样和转置卷积上采样并行融合的结构与X/Y CCA注意力模块，构建DMC
‑
UNet网络模型，具体为：S2.1，将步骤S1所得的数据集输入到轻量化残差结构中，得到初步特征图；S2.2，将步骤S2.1所得的初步特征图进行下采样操作，得到新的特征图；S2.3，将步骤S2.2所得的特征图再经步骤S2.2相同的下采样操作四次后，将每一层所提取的包含抽象和高级语义信息的特征经过中间层，当中间层得到高级语义信息后进入步骤S2.4中进行上采样处理；S2.4，上采样处理时，将UNet网络上采样过程中的转置卷积和改进的ESPCN超分辨率技术并行分别通过步骤S2.1的轻量化残差结构操作，而后进行点乘运算，得到的特征图进入步骤S2.5中进行处理；S2.5，将步骤S2.4中所得的特征图输入到CCA注意力模块中，得到的特征图进入步骤S2.6中进行处理；S2.6，将步骤S2.5中所得的特征图再输入到CCA注意力模块中，经过三次同样的操作后，将得到的特征图输入到最后一层的网络中，最终通过末层卷积层输出最终的特征图。4.如权利要求1或3所述的一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，步骤S2中，轻量化残差结构是由两个DSC单元与一个DSC单元进行残差连接，最后经过ReLU激活函数进行激活，其中，DSC单元为深度可分离卷积单元，其由3
×
3的逐通道卷积和1
×
1的逐点卷积组成。5.如权利要求3所述的一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，步骤S2.2中，下采样操作具体是采用2
×
2最大池化操作，以将分辨率压缩到输入特征图的1/2。6.如权利要求3所述的一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，步骤S2.4中，改进的ESPCN超分辨率技术是在传统ESPCN超分辨率技术的基础上，将多尺度特征融合模块替换了ESPCN原本的Hidden layers来实现对特征图的特征提取，在此，将多尺度特征
融合模块称为ASPP模块。7.如权利要求6所述的一种基于DMC
‑
UNet的肺结节分割方法，其特征在于，ASPP模块由四个并行分支组成，其中，第一个分支是1
×
1的卷积层，其余三个分支采用3
×
3的膨胀卷积，膨胀系数分别为2、4、8；通过在维度上将四个分支的特征信息拼接起来，并通过1
×
1的卷积...

【专利技术属性】
技术研发人员：侯佳辰，卢颖祺，李儒，樊香所，黄庆南，晏川，
申请(专利权)人：柳州市工人医院，
类型：发明
国别省市：