[发明专利]一种基于加权全卷积神经网络的肺实质CT图像分割方法

说明书

一种基于加权全卷积神经网络的肺实质CT图像分割方法属于医学图像处理邻域。本发明包括以下步骤：选取公开肺部数据集进行预处理，提取标注图像中的肺实质边界作为一个语义类别；基于标准全卷积神经网络框架设计改进的网络结构，以编码‑解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理，建立肺实质分割卷积神经网络的整体结构框架；采用加权损失函数层；对数据集进行划分；离线模型训练，获得模型权重参数；输入测试图像并通过网络逐层前馈由输出层输出分割结果。现有的肺实质分割方法对肺实质内的病灶区域容易出现漏分割现象，本发明通过对重要像素的强化处理可以有效提高肺实质分割中对病灶区域的正确分割。

技术领域

本发明涉及医学图像处理领域，特别涉及一种加权全卷积神经网络的肺实质CT图像分割方法。

背景技术

相关研究表明，对肺癌的早期发现并及时治疗能较大程度提高肺癌患者的治愈率，CT已经被证明是诊断肺部疾病的有效医学影像技术，被广泛用于肺癌检测和诊断。但是只依靠医师用眼睛分辨大量CT切片中的疑似病灶区域是困难的，计算机辅助诊断系统的研究应用将有利于提高诊断准确性和客观性、减轻诊断工作量。在针对肺部的计算机辅助诊断系统的设计中，对肺实质区域进行准确的提取是影响后续诊断准确性的重要前提步骤。但肺壁周边往往会存在一下病灶区域，在CT影像中的表现形式与肺内气管、非肺组织甚至影像噪声十分相似。这些具有重要的临床研究价值的病灶区域，往往会被分割在肺实质之外，影响肺部图像的定量分析结果。

申请号“CN201511023356.8”，名称为“基于胸部横断面CT图像的肺部分割提取方法及系统”介绍了基于阈值的肺实质分割方法，以图像中像素的灰度值为判断标准划分肺实质和背景。但此类方法容易受到噪声的干扰，算法鲁棒性及准确性不高。随着深度学习技术的发展，基于深度网络的肺实质分割方法也逐渐开始被研究应用，申请号“CN201710712015.4”，专利名“一种基于聚类算法和卷积神经网络的肺实质提取方法”，以数据为驱动、自动提取特征，建立算法模型对肺实质进行分割，较传统分割方法在分割准确性上有一定提高。但此类算法一般以像素分类的平均精度作为代价函数。对肺实质整体分类准确率高，但对肺壁周边存在的一些小结节，往往不能正确分割。因此，针对这些容易误分的区域进行网络优化，是肺实质分割方法的一个重要的改进方向。

基于以上的改进思路，本发明提出了一种以加强肺壁周边组织分割精度为手段，以提升肺部周边病灶区域分割准确率为目标的分割算法。通过提高肺壁周边像素分割敏感性，提升肺壁周边较难正确分割区域的分割准确性，改善分割模型的性能。

发明内容

本发明旨在提供一种基于全卷积神经网络，通过改变肺实质边界像素加权损失程度，提升肺壁周边较难正确分割区域分割准确率的一种肺实质全自动分割方法。

本发明的技术方案，包括下列步骤：

步骤1：选取目标图像数据进行预处理，添加待加权的语义标注类别；

步骤2：基于标准全卷积神经网络网络框架进行设计，以编码-解码的标准路径结构同时包含跳跃连接、膨胀卷积和批归一化的原理，建立语义分割卷积神经网络的整体结构框架；

步骤3：采用加权损失函数层；

步骤4：训练和测试数据集划分；

步骤5：离线模型训练，获得模型权重参数；

步骤6：将测试集图像输入网络模型，通过网络逐层前馈由输出层输出分割结果。

进一步的，所述步骤1包括：

A、对LUNA16数据集中肺部数据进行筛选，从888例数据中去除存在灰度、切片错位等问题的数据38例，保留剩余的850例数据；

B、将选取的肺CT图像数据转换为三通道二维图片格式，对应的标签数据转换为单通道灰度图片格式；