[发明专利]用于肺结节分割的图像处理方法及装置

说明书

本申请公开了一种用于肺结节分割的图像处理方法及装置。该方法包括输入单分割网络和肺结节影像用以训练预设分割网络模型；将所述单分割网络嵌入到递归神经网络中迭代并分割得到多个单分割网络；根据注意力机制模型将注意力层与所述肺结节影像融合，并输入到下一个单分割网络；以及还包括：在训练所述预设分割网络模型过程中，使用dice相似性系数和递归排序损失函数定义损失函数。本申请解决了图像处理时分割准确率较低的技术问题。通过本申请可实现肺结节影像迭代分割和肺结节体积准确预测。

技术领域

本申请涉及图像处理领域，具体而言，涉及一种用于肺结节分割的图像处理方法及装置。

背景技术

近年来，肺癌已经成为发病率和死亡率最高的癌症之一，肺癌的早期诊断和治疗对于提高病人生存率尤为重要。由于早期肺癌在影像学上表现为孤立性结节病变，结节的体积大小和体积随时间变化都是判断其良恶性的重要指标。然而，对于放射科医师来说，人工肺结节体积测量十分耗时。

由于肺结节在形状、密度、尺寸上多变。同时，肺结节与周围肺壁、血管区域粘连难以区分，进一步导致分割困难。因此，如果采用现有的单次分割网络来说，很难得到准确分割结果。

针对相关技术中图像处理时分割准确率较低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于肺结节分割的图像处理方法及装置，以解决图像处理时分割准确率较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于肺结节分割的图像处理方法。

根据本申请的用于肺结节分割的图像处理方法包括：输入单分割网络和肺结节影像用以训练预设分割网络模型；将所述单分割网络嵌入到递归神经网络中迭代并分割得到多个单分割网络；根据注意力机制模型将注意力层与所述肺结节影像融合，并输入到下一个单分割网络；以及还包括：在训练所述预设分割网络模型过程中，使用dice相似性系数和递归排序损失函数定义损失函数。

进一步地，根据注意力机制模型将注意力层与所述肺结节图像融合，并输入到下一个单分割网络包括：获得注意力机制模型产生的注意力图像在相关感兴趣区域上的权重；根据权重确定注意力层；将注意力层与原始输入图像融合，结果输入到下一个单分割网络。

进一步地，在训练所述预设分割网络模型过程中如果未收敛或迭代未达到最大值，则继续训练。

进一步地，图像处理方法还包括：采用Adam优化所述预设分割网络模型。

进一步地，图像处理方法还包括：采用dice相似性系数和递归排序损失函数交替训练整个分割网络模型。

为了实现上述目的，根据本申请的另一方面，提供了一种用于肺结节分割的图像处理装置。

根据本申请的用于肺结节分割的图像处理装置包括：输入模块，用于输入单分割网络和肺结节影像用以训练预设分割网络模型；迭代分割模块，用于将所述单分割网络嵌入到递归神经网络中迭代并分割得到多个单分割网络；融合模块，用于根据注意力机制模型将注意力层与所述肺结节影像融合，并输入到下一个单分割网络；以及还包括：损失函数模块用于，在训练所述预设分割网络模型过程中，使用dice相似性系数和递归排序损失函数定义损失函数。

进一步地，所述融合模块包括：获取单元，用于获得注意力机制模型产生的注意力图像在相关感兴趣区域上的权重；确定单元，用于根据权重确定注意力层；融合单元，用于将注意力层与原始输入图像融合，结果输入到下一个单分割网络。

进一步地，所述损失函数模块还用于在训练所述预设分割网络模型过程中如果未收敛或迭代未达到最大值，则继续训练。

进一步地，装置还包括：优化模块，用于采用Adam优化所述预设分割网络模型。