一种基于制造技术

本发明专利技术提供了一种基于

【技术实现步骤摘要】
一种基于Transformer的高原肺水肿胸片病灶的分割方法及相关设备


[0001]本专利技术涉及数据处理
，特别涉及一种基于
Transformer
的高原肺水肿胸片病灶的分割方法及相关设备
。

技术介绍

[0002]高原肺水肿是高原病的一种常见类型，是由于人在高原缺氧环境下的适应性反应异常而引起的疾病
。
在高原缺氧环境下，机体适应性反应会导致肺部微循环紊乱
、
肺泡通透性增加
、
肺毛细血管通透性增加等症状，从而引发肺部水肿，这种水肿就称为高原肺水肿
。
高原肺水肿的早期诊断和治疗非常重要，因为如果不及时治疗，会导致患者病情加重，严重时甚至会危及生命
。
目前，医学界主要采用医学影像技术对高原肺水肿进行诊断和治疗
。
然而，传统的医学影像技术往往需要由医生进行手动分割和诊断，这不仅费时费力，而且容易产生主观误差，影响诊断效果和治疗效果
。
[0003]因此，基于计算机视觉技术的自动化高原肺水肿病灶分割方法应运而生，它可以有效地解决手动分割和主观误差等问题，提高诊断和治疗效果
。
当前的自动化高原肺水肿病灶分割方法主要是基于卷积神经网络的方法，通过对医学影像进行深度学习和图像分割，实现高原肺水肿病灶的自动化分割
。
但是，传统的卷积神经网络模型在训练过程中往往忽略了不同空间位置相关性
。
[0004]需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息
。

技术实现思路

[0005]本申请的目的在于提供一种基于
Transformer
的高原肺水肿胸片病灶的分割方法及相关设备，采用
Transformer
网络对胸片图像进行特征提取和病灶分割，能够有效地解决现有技术中存在的分割精度不高
、
无法准确识别病灶区域等问题，此外，
Swin Transformer
引入了局部和全局的多层次窗口注意力机制，能够更好地捕捉不同位置信息的权重，对于病灶区域和非病灶区域赋予不同的权重，
DenseNet
在不同的卷积层之间建立了密集的连接，能够更好地利用之前层次的特征信息，提升特征还原的能力
。
[0006]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得
。
[0007]根据本申请的一个方面，提供一种基于
Transformer
的高原肺水肿胸片病灶的分割方法，包括获取训练样本和目标图像；对所述训练样本进行预处理，生成标注后的训练样本；构建
U
型全卷积神经网络分割模型，其中，所述
U
型全卷积神经网络分割模型包括上采样模型
、
下采样模型，所述上采样模型和所述下采样模型通过
Skip Connection
连接层进行连接，所述下采样模型为
Swin Transformer
深度学习模型，所述上采样模型为
DenseNet
卷积神经网络模型；将所述标注后的训练样本对所述神经网络分割模型进行训练，生成训练后
的神经网络分割模型；将所述目标图像输入所述训练后的分割模型进行处理，输出目标病例，其中，所述目标病例包括高原肺水肿病灶的分割结果；将所述目标图像加入所述训练样本集，以供所述神经网络分割模型进行更新
。
[0008]在本申请的一个实施例中，所述上采样模型和所述下采样模型通过
Skip Connection
连接层进行连接，包括：所述
Swin Transformer
深度学习模型的输出端通过所述
Skip Connection
连接层和底部特征层连接到所述
DenseNet
卷积神经网络模型的输入端；所述
DenseNet
卷积神经网络模型的输出端通过上采样进行尺寸放大处理，生成预处理后的模型特征；所述预处理后的模型特征与所述
Skip Connection
连接层进行连接
。
[0009]在本申请的一个实施例中，所述对所述训练样本进行预处理，生成标注后的训练样本，包括：对所述训练样本进行数据增强处理，生成增强后的训练样本；基于预设划分规则对所述增强后的训练样本进行处理，生成病灶区域和非病灶区域
。
[0010]在本申请的一个实施例中，所述对所述训练样本进行预处理，生成标注后的训练样本，还包括：对所述训练样本进行归一化预处理，生成目标亮度的训练样本；获取预设分类规则，其中，所述预设分类规则包括若干不同病灶类型的分割数据；基于所述预设分类规则对所述目标亮度的训练样本进行处理，生成分类后的训练样本
。
[0011]在本申请的一个实施例中，所述将所述目标图像输入所述训练后的分割模型进行处理，输出目标病例，包括：对所述目标图像进行灰度化处理，生成目标色彩图像；对所述目标色彩图像进行图像归一化处理，生成预设尺寸大小的色彩图像；对所述色彩图像进行切片处理，依次生成三张连续的切片图像；对所述切片图片进行处理，生成三通道图像；将所述三通道图像输入所述训练后的分割模型进行处理，输出目标病例
。
[0012]在本申请的一个实施例中，所述对所述色彩图像进行切片处理，依次生成三张连续的切片图像，包括：基于预设色彩划分规则对所述色彩图像进行处理，生成包含不同分类号的第一色彩图像；基于所述分类号对所述第一色彩图像进行划分，生成若干初始切片图像；基于目标分割模型对所述初始切片图像进行预处理，生成预处理后的切片图像；基于预设双线性插值对所述预处理后的切片图像进行处理，生成若干预设尺寸大小的切片图像
。
[0013]在本申请的一个实施例中，所述对所述色彩图像进行切片处理，依次生成三张连续的切片图像，还包括：获取预设尺寸值对所述色彩图像进行处理，生成预设尺寸的全景图像；对所述全景图像进行多层切片处理，生成不同深度等级的多个切片图像组；基于时间顺序或属性信息对所述切片图像组进行处理，生成若干切片图像
。
[0014]本申请的另一个方面，一种基于
Transformer
的高原肺水肿胸片病灶的分割装置，其特征在于，所述装置包括：获取模块，用于获取训练样本和目标图像；处理模块，用于对所述训练样本进行预处理，生成标注后的训练样本；构建
U
型全卷积神经网络分割模型，其中，所述
U
型全卷积神经网络分割模型包括上采样模型
、
下采样模型，所述上采样模型和所述下采样模型通过
Skip Connection
连接层进行连接，所述下采样模型为
Swin Transform本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
Transformer
的高原肺水肿胸片病灶的分割方法，其特征在于，包括：获取训练样本和目标图像；对所述训练样本进行预处理，生成标注后的训练样本；构建
U
型全卷积神经网络分割模型，其中，所述
U
型全卷积神经网络分割模型包括上采样模型
、
下采样模型，所述上采样模型和所述下采样模型通过
Skip Connection
连接层进行连接，所述下采样模型为
Swin Transformer
深度学习模型，所述上采样模型为
DenseNet
卷积神经网络模型；将所述标注后的训练样本对所述神经网络分割模型进行训练，生成训练后的神经网络分割模型；将所述目标图像输入所述训练后的分割模型进行处理，输出目标病例，其中，所述目标病例包括高原肺水肿病灶的分割结果；将所述目标图像加入所述训练样本集，以供所述神经网络分割模型进行更新
。2.
如权利要求1所述的方法，其特征在于，所述上采样模型和所述下采样模型通过
Skip Connection
连接层进行连接，包括：所述
Swin Transformer
深度学习模型的输出端通过所述
Skip Connection
连接层和底部特征层连接到所述
DenseNet
卷积神经网络模型的输入端；所述
DenseNet
卷积神经网络模型的输出端通过上采样进行尺寸放大处理，生成预处理后的模型特征；所述预处理后的模型特征与所述
Skip Connection
连接层进行连接
。3.
根据权利要求1所述的方法，其特征在于，所述对所述训练样本进行预处理，生成标注后的训练样本，包括：对所述训练样本进行数据增强处理，生成增强后的训练样本；基于预设划分规则对所述增强后的训练样本进行处理，生成病灶区域和非病灶区域
。4.
如权利要求1所述的方法，其特征在于，所述对所述训练样本进行预处理，生成标注后的训练样本，还包括：对所述训练样本进行归一化预处理，生成目标亮度的训练样本；获取预设分类规则，其中，所述预设分类规则包括若干不同病灶类型的分割数据；基于所述预设分类规则对所述目标亮度的训练样本进行处理，生成分类后的训练样本
。5.
如权利要求1所述的方法，其特征在于，所述将所述目标图像输入所述训练后的分割模型进行处理，输出目标病例，包括：对所述目标图像进行灰度化处理，生成目标色彩图像；对所述目标色彩图像进行图像归一化处理，生成预设尺寸大小的色彩图像；对所述色彩图像进行切片处理...

【专利技术属性】
技术研发人员：薛新颖，潘磊，赵晟，刘鹏飞，臧学磊，魏华英，翟怀远，陈明利，李天宇，刘小闪，冯丽娟，
申请(专利权)人：中国铁道科学研究院集团有限公司节能环保劳卫研究所中国铁道科学研究院集团有限公司中国国家铁路集团有限公司，
类型：发明
国别省市：