基于双向多尺度特征提取的制造技术

本发明专利技术提供了一种基于双向多尺度特征提取的

【技术实现步骤摘要】
基于双向多尺度特征提取的CT影像胸壁分割方法


[0001]本专利技术涉及数字图像处理领域，具体涉及一种基于双向多尺度特征提取的
CT
影像胸壁分割方法
。

技术介绍

[0002]CT
影像质量控制是医学影像质量控制的重要环节，而胸壁分割的重要性体现在胸壁完整性和
FoV(
视场
)
两个方面
。
首先胸壁完整性是医生诊断的基本要求，保障了医生对胸壁内部的病灶有完整的把握，而
FoV
则相对偏向于硬件参数，体现在胸壁区域在影像中的面积占比，合适的
FoV
也能保证胸壁完整性，同时能协调不同
CT
层之间的胸壁范围
。
所以胸壁分割是
CT
影像质量控制重要的一步
。
传统方法一般是基于边缘或者是基于连通区域，传统技术对图像噪声比较敏感，而且无法应对特殊的边缘情况，比如存在其他身体组织进入了
CT
影像的范围
。
因此，基于深度学习的图像分割方法对解决这个问题很有帮助
。
[0003]现有的图像分割方法中，比较经典的包括
mask R
‑
CNN、FCN、U
‑
Net、DeepLab
系列等，其中
mask R
‑
CNN
基于了一定的二阶段目标检测方法对图像分割进行了优化，而其他的方法都是基于全卷积的，但是
U
‑
Net
作为轻量级的高效网络，见图3，尤其适用于数据量少
、
图像特征丰富的医学影像
。
[0004]因此本专利技术同样以
U
‑
Net
为基准，设计了一种基于双向多尺度特征提取的
CT
影像胸壁分割方法，来解决现有技术中存在的问题
。

技术实现思路

[0005]本专利技术提出一种基于双向多尺度特征提取的
CT
影像胸壁分割方法，直接输入
CT
影像，导出默认窗位的影像即可，分割快速且稳定，能直接输出可视化的胸壁分割结果
。
[0006]本专利技术的一方面提供了一种基于双向多尺度特征提取的
CT
影像胸壁分割方法，该方法包括如下步骤：
[0007]步骤1，构建基于双向多尺度特征提取的图像分割网络，包括编码器分支
、
多尺度特征融合分支
、
多尺度横向特征连接模块和解码器分支；
[0008]所述图像分割网络利用双向特征金字塔将多尺度特征提取引入编码器分支，利用复合挤压激励网络将多尺度横向特征连接模块引入解码器分支；
[0009]步骤2，将训练数据集输入步骤1中的基于双向多尺度特征提取的图像分割网络中训练，得到学习后的图像分割网络；
[0010]步骤3，将测试集数据输入步骤2训练得到的图像分割中得到初步的分割结果，设定置信度的阈值后进行可视化，得到准确分割
CT
影像中心的胸壁部分
。
[0011]本专利技术的另一方面提供了基于双向多尺度特征提取的
CT
影像胸壁分割装置，所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述基于双向多尺度特征提取的
CT
影像胸壁分割方法
。
[0012]本专利技术的有益效果：
[0013]本专利技术能够自动生成与处理图像，直接输入默认窗位的
CT
影像，分割高效稳定，能直接输出可视化的分割结果
。
[0014]本专利技术提出了一种基于双向特征金字塔的多尺度特征融合分支来增强编码器分支的编码能力
。
还提出了一种基于复合挤压激励网络的多尺度横向特征连接模块来增强特征融合时对高级特征的关注度，同时不会混淆低级特征，这两个模块在编码阶段和解码阶段分别提高了全局特征融合和局部高级特征保留的能力，大大提高了网络的胸壁分割精度
。
附图说明
[0015]图1为本专利技术的
CT
影像胸壁分割流程图；
[0016]图2为本专利技术的基于双向多尺度特征提取的图像分割网络结构图；
[0017]图3为本专利技术的基准网络
U
‑
Net
；
[0018]图4为本专利技术的预处理方法示意图；
[0019]图5为本专利技术的多尺度横向特征连接模块示意图；
[0020]图6为本专利技术的
CT
影像原图；
[0021]图7为本专利技术的
CT
影像胸壁区域标注结果示意图；
[0022]图8为本专利技术的
CT
影像胸壁区域分割结果示意图；
[0023]图9为本专利技术装置结构示意图
。
[0024]图中：
[0025]1、
编码器分支；
2、
自底向上特征融合过程；
3、
自顶向下特征融合过程；
4、
多尺度横向特征连接模块；
5、
解码器分支；
6、
一级编码过程；
7、
二级编码过程；
8、
三级编码过程；
9、
四级编码过程；
10、
五级编码过程；
11、
一级解码过程；
12、
二级解码过程；
13、
三级解码过程；
14、
四级解码过程；
15、
残差连接；
16、
通道注意力强化模块；
17、
一级上采样过程；
18、
二级上采样过程；
19、
三级上采样过程；
20、
四级上采样过程；
21、
一级下采样过程；
22、
二级下采样过程；
23、
三级下采样过程；
24、
四级下采样过程；
具体实施方式
[0026]下面将结合本专利技术实施例对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0027]本专利技术提供了一种基于双向多尺度特征提取的
CT
影像胸壁分割方法，见图1，包括如下步骤：
[0028]步骤1，构建基于双向多尺度特征提取的图像分割网络，所描述的图像分割网络包括编码器分支
、
多尺度特征融合分支
、
多尺度横向特征连接模块和解码器分支
。...

【技术保护点】

【技术特征摘要】
1.
基于双向多尺度特征提取的
CT
影像胸壁分割方法，其特征在于该方法包括如下步骤：步骤1，构建基于双向多尺度特征提取的图像分割网络，包括编码器分支
、
多尺度特征融合分支
、
多尺度横向特征连接模块和解码器分支；所述图像分割网络利用双向特征金字塔将多尺度特征提取引入编码器分支，利用复合挤压激励网络将多尺度横向特征连接模块引入解码器分支；步骤2，将训练数据集输入步骤1中的基于双向多尺度特征提取的图像分割网络中训练，得到学习后的图像分割网络；步骤3，将测试集数据输入步骤2训练得到的图像分割中得到初步的分割结果，设定置信度的阈值后进行可视化，得到准确分割
CT
影像中心的胸壁部分
。2.
根据权利要求1所述基于双向多尺度特征提取的
CT
影像胸壁分割方法，其特征在于该方法：所述多尺度特征融合分支用于多尺度特征融合和特征提取，能对不同尺度的信息进行融合，并通过残差结构保留当前尺度的特征
。3.
根据权利要求2所述基于双向多尺度特征提取的
CT
影像胸壁分割方法，其特征在于该方法：所述多尺度特征融合分支包括：自底向上的特征融合过程：包括四个级别的特征融合上采样过程，以编码器分支最后一个级别的编码过程输出结果为起始点，依次经过四个级别的上采样过程，对编码器分支的前四个级别的编码过程，将同一尺度下对应的编码过程得到的特征图与尺度更小
、
拥有高级特征的特征图进行融合，逐步完成自底向上的特征融合过程，得到四个自底向上特征融合中间结果；自顶向下的特征融合过程，包括四个级别的特征融合下采样过程，对应自底向上特征融合过程的四个特征融合上采样过程以及编码器分支的前四个编码过程；每个级别的特征融合下采样过程同时考虑对应级别的编码过程
、
特征融合上采样过程和上一个特征融合下采样过程产生的特征图，对三者进行加权相加后进行下采样，完成当前级别的特征融合下采样
。4.
...

【专利技术属性】
技术研发人员：许茂盛，吴林玉，高晨，马之骋，杨涛，吴郑鑫，王世威，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：