[发明专利]基于深度学习的肺部组织图像分割方法

权利要求书

1.一种基于深度学习的肺部组织图像分割方法，其特征在于，包括：

将X光胸片图像输入到模型中，其中，所述模型使用多组训练数据训练得到，所述多组训练数据中的每一组训练数据均包括：X光胸片图像和用来标识图像中肺部组织的金标准；

获取所述模型的输出信息，其中，所述输出信息包括所述X光胸片图像中肺部组织的分割结果。

2.根据权利要求1所述的基于深度学习的肺部组织图像分割方法，其特征在于，所述使用多组训练数据训练得到所述模型包括：

将标注有肺部组织金标准的X光胸片图像作为训练集；

将训练集进行相应尺寸的裁剪，并转换为tfrecord格式；

训练集经过连续的空洞卷积计算提取细节特征信息，得到预测特征图；

将预测特征图作为ASPP结构的输入，并通过卷积层降低特征维度；

对降低特征维度后的预测特征图做多组采样率不同的空洞卷积，来提取图像的多尺度特征信息；

对细节特征信息和多尺度特征信息进行融合，获得更精确的特征信息，作为解码部分的输入；

改进的Xception网络结构作为解码部分的网络主干，对融合了细节特征信息和多尺度特征信息的特征图上采样恢复到原图尺寸；

导出训练得到的所述模型。

3.根据权利要求2所述的基于深度学习的肺部组织图像分割方法，其特征在于，所述肺部组织图像为尘肺图像。

4.根据权利要求3所述的基于深度学习的肺部组织图像分割方法，其特征在于，所述训练集为尘肺图像的0期、1期和2期图像，测试集为尘肺图像的3期图像。

5.根据权利要求4所述的基于深度学习的肺部组织图像分割方法，其特征在于：所述卷积层降低特征维度中的卷积层为1×1卷积层。

6.根据权利要求5所述的基于深度学习的肺部组织图像分割方法，其特征在于：所述多组采样率不同的空洞卷积的采样率分别为6、12和18。

7.根据权利要求6所述的基于深度学习的肺部组织图像分割方法，其特征在于：对细节特征信息和多尺度特征信息进行融合时，首先对提取了多尺度特征信息的预测特征图进行上采样，然后融合细节特征信息。

8.根据权利要求7所述的基于深度学习的肺部组织图像分割方法，其特征在于：对提取了多尺度特征信息的预测特征图进行上采样的倍数为4倍。