System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于医学图像分割领域,涉及一种非诊断目的的基于resnet的动态多特征肺结节分割系统。
技术介绍
1、由于肺癌的早期症状不明显,肺癌的主要控制手段是通过筛查选择高危人群,在此类病人身上进行肺癌筛查的意义较大,发现率较高,通过低剂量螺旋ct筛查,可发现80%的早期肺癌病人。肺癌的早期病状是肺部出现直径在3mm到30mm的肺结节,对于直径超过20mm的肺结节,通过人工目测方法可以直接判断出来,而对于直径在20mm以下的肺结节,因其特征不明显且边缘较为模糊,传统的人工目测诊断方式容易出现误诊和漏诊。因此准确的肺癌早期诊断和预测对提高肺癌患者的生存率具有重要意义。
2、由于传统方法的局限性,现在医学研究主要是结合图像领域,基于深度学习的肺结节分割技术对ct图像进一步处理来辅助医生诊断。但是由于医学图像语义信息复杂和数据样本稀少的特点,导致肺结节检测模型很难得到较好的效果。因此本专利技术给出了一种基于resnet的动态多特征肺结节分割系统,旨在提高肺结节模型预测的准确性。
技术实现思路
1、本专利技术的目的是为了克服现有方法的局限性,提供一种基于resnet的动态多特征肺结节分割系统。
2、一种基于resnet的动态多特征肺结节分割系统,包括:
3、数据获取模块,用于获取dicom格式的3维肺结节ct图像;
4、数据预处理模块,对获取的dicom格式的3维肺结节ct图像进行处理,得到清晰的肺结节图像以及对应的mask子图;
6、所述基于resnet的动态多特征肺结节分割模型包括主干网络模块backbone和动态多特征模块;所述基于resnet的动态多特征肺结节分割模型的输入为肺结节图像以及对应的mask子图,输出为分割结果;
7、所述backbone模块包括依次级连的卷积层、最大池化层、四个叠加层、池化层、全连接层;所述四个叠加层分别包括数量分别是[3,4,23,3]的blocks,每个blocks包括一个3层卷积、一个激活函数、一个最大池化层;
8、所述动态多特征模块包括串联的注意力模块和动态模块;所述注意力模块的输入为所述backbone模块的输出特征x,所述动态模块的输入为注意力模块的输出,动态模块输出为最终分割结果;
9、所述注意力模块包括压缩和激励模块。
10、作为优选,数据预处理模块执行以下操作步骤:
11、(1)格式转换,然后根据hu值截取肺窗;
12、(2)通过归一化、重采样等操作将其转化为特征更明显的图像数据;
13、(3)使用数据增强技术对原始图像进行随机旋转、翻转操作得到新的图像扩充训练集;
14、(4)肺实质分割:对原始ct图像进行二值化、腐蚀和膨胀等操作获取mask(掩膜)子图。
15、作为优选,所述的3层卷积的卷积核大小分别为1×1,3×3,1×1,所述激活函数为非线性激活函数;
16、作为优选,所述压缩模块具体是:
17、首先将原始特征经过ftr卷积操作(卷积核为v=[v1,v2,...,vc])生成张量(tensor)矩阵u∈rc×h×w(其中u=[u1,u2,...,uc]),由下式计算得出:
18、
19、其中,uc∈rh×w,表示第c个卷积核的第s个输入,xs表示第s个输入。
20、然后执行squeeze操作(fsq函数),对新生成的特征u在每个通道上执行全局平均池化,得到的结果为zc(1×1×c),计算如下:
21、
22、其中,z∈rc,uc表示u中第c个通道二维矩阵特征向量,uc(i,j)是二维矩阵位置为(i,j)的局部特征。
23、所述激励模块具体是:
24、执行excitation操作(fex函数),将由压缩模块得到的结果zc进行两次全连接层操作,最后输入sigmoid函数得到权重s(1×1×c)。并在第一次全连接层操作后引入relu激活函数,将输入值限制在非负范围内并且能够加速模型训练过程。具体计算如下:
25、s=fex(z,w)=σ(w2δ(w1z))
26、其中,σ表示sigmoid函数,δ表示relu函数。
27、得到权重s后,最后通过如下两个公式得到最终输出特征图
28、
29、其中,fscale为权重函数,具体操作是将uc矩阵中每个值乘以权重sc,uc表示u中第c个通道二维矩阵特征向量,sc表示权重s中第c个通道的权重值。
30、所述动态模块是将注意力模块所得的特征映射通过计算输入多个并联的动态卷积模块并输出最终特征;具体是:
31、将特征分别送入四个不同的动态卷积模块,每个动态卷积模块对应一个卷积核数值k分别为[1,3,5,7],分别得到四个(m×h×w),m的大小为c的四分之一。之后将这四个m×h×w与原始输入进行concat操作,得到最终输出e。
32、本专利技术的第二个目的是提供一种基于resnet的动态多特征肺结节分割方法,包括以下步骤:
33、步骤一、获取肺结节ct图像,构建数据集,并对数据集中的肺结节ct图像进行预处理;
34、步骤二、构建基于resnet的动态多特征分割模型;
35、2-1.构建主干网络模块backbone
36、主干网络模块backbone包括一个卷积核大小为3的卷积层和一个全连接层,之后连接了四个叠加层layer1-layer4,叠加层对应的blocks数量分别是[3,4,23,3],每个blocks由一个3层卷积,分别为1×1,3×3,1×1大小的卷积核组成,激活函数为非线性激活函数。最后经由一个最大池化层输出特征x;
37、2-2构建动态多特征模块
38、所述动态多特征模块由注意力模块和动态模块构成,所述注意力模块的输入为backbone的输出特征x,所述动态模块的输入为注意力模块的输出,动态模块输出为最终分割结果;所述注意力模块包括压缩和激励模块,所述注意力模块将特征x经由压缩和激励模块后输出更为精确的特征
39、所述动态模块将注意力模块输出的特征通过四个动态卷积模块,每个动态卷积模块对应一个卷积核,数值k分别为[1,3,5,7];每个动态卷积模块均分为两个分支,上分支通过卷积将变形成(m×h×w),其中m=c/4;下分支将变成m×k×k,其中k为每个动态卷积模块对应的卷积核,之后将上、下分支的输出相加得到新的m×h×w;最后将四个动态卷积模块的输出与进行拼接操作得到最终输出e;
40、步骤三、将步骤一中的训练集数据和对应的mask子图输入步骤二构建的基于resnet的动态多特征分割模型中进行训练,训练将通过损失函数计算分割模本文档来自技高网...
【技术保护点】
1.一种基于ResNet的动态多特征肺结节分割系统,其特征在于,包括:
2.根据权利要求1所述的基于ResNet的动态多特征肺结节分割系统,其特征在于,数据预处理模块执行以下操作步骤:
3.根据权利要求1所述的基于ResNet的动态多特征肺结节分割系统,其特征在于,每个Blocks中所述的3层卷积的卷积核大小分别为1×1,3×3,1×1,所述激活函数为非线性激活函数。
4.根据权利要求1所述的基于ResNet的动态多特征肺结节分割系统,其特征在于,所述压缩模块具体是:
5.根据权利要求4所述的基于ResNet的动态多特征肺结节分割系统,其特征在于,所述激励模块具体是:
6.根据权利要求5所述的基于ResNet的动态多特征肺结节分割系统,其特征在于,所述动态模块是将注意力模块所得的特征映射通过计算输入多个并联的动态卷积模块并输出最终特征;具体是:
7.一种基于ResNet的动态多特征肺结节分割方法,其特征在于,包括以下步骤:
8.根据权利要求7所述的基于ResNet的动态多特征肺结节分割方法,其特征
...【技术特征摘要】
1.一种基于resnet的动态多特征肺结节分割系统,其特征在于,包括:
2.根据权利要求1所述的基于resnet的动态多特征肺结节分割系统,其特征在于,数据预处理模块执行以下操作步骤:
3.根据权利要求1所述的基于resnet的动态多特征肺结节分割系统,其特征在于,每个blocks中所述的3层卷积的卷积核大小分别为1×1,3×3,1×1,所述激活函数为非线性激活函数。
4.根据权利要求1所述的基于resnet的动态多特征肺结节分割系统,其特征在于,所述压缩模块具体是:
5.根据权利要求4所述的基于...
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。