[发明专利]基于深度学习的肺部组织图像分割方法

说明书

本发明提供了一种基于深度学习的肺部组织图像分割方法，属于医学图像分割技术领域。该方法将X光胸片图像输入到分割模型中，其中，该分割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光胸片图像和对应用来标识肺部组织的金标准；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。本发明通过改进的Deeplabv3+的深度学习方法来实现对X光胸片肺部组织的分割，解决了使用传统方法分割肺部组织时遇到的局部收敛和假阳性分割的问题；在公开数据集和尘肺数据集上分别获得95.3％的MIoU和94.8％的MIoU；解决了FCN网络的假阳性问题，提高了SCAN网络方法中胸膈角处及X光胸片上对肋骨的分割准确率。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种提高了肺部组织分割准确率的同时，减小对尘肺病分类识别的噪声影响的基于深度学习的肺部组织图像分割方法。

背景技术

随着医学影像技术的多元化和成熟性，医学图像研究成为目前热门的研究领域之一。基于肺部疾病的多发性和多样性，计算机辅助诊断成为临床治疗的重要手段，因此，高准确性的技术支持是必不可少的。目前肺部组织分割的技术大体分为传统方法、传统机器学习方法、深度学习方法这3类。传统方法分割肺部组织时对数据集要求较高，不仅需要肺野的强边界信息，还需要较高的目标轮廓相似性。传统机器学习的方法在分割肺部组织时，在个别图像实例上会由于分类不准确造成较严重的假阳性现象。对于深度学习方法，从已经提出的U-Net、SCAN方法在TB/JSRT数据库上分割肺部组织的准确率来看，像素级别的分类比图像级别的分类有较好的分割性能。但是，单纯的从可视化结果来看，针对数据库中形状不相似的图像，胸膈角和肺尖处的分割依旧存在分割不准确的问题。与此同时，为了在尘肺病分类时减少噪声的影响，将与尘肺病灶像素值相似的肋骨使用本专利提到的深度学习方法分割出来。

发明内容

本发明的目的在于提供一种在提高了肺部组织分割准确率的同时，减小对尘肺病分类识别的噪声影响的基于深度学习的肺部组织图像分割方法，以解决上述背景技术中存在的技术问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明提供的一种基于深度学习的肺部组织图像分割方法，包括：

将肺部组织图像输入到模型中，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。

优选的，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。

优选的，所述肺部组织图像为尘肺图像。

优选的，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。