[发明专利]一种基于边缘感知的X光片气胸分割及评估方法

说明书

本发明提供了一种基于边缘感知的X光片气胸分割及评估方法，包括以下步骤：获取胸部X光片；建立卷积神经网络。将胸部X光片输入卷积神经网络内，卷积神经网络内解码器输出二值化掩膜图及有符号距离图；采用多任务学习法对二值化掩膜图及有符号距离图进行数据驱动的正则化处理；卷积神经网络输出预测的二值化掩膜的概率图及预测的有符号距离图；对预测的二值化掩膜概率图及预测的有符号距离图进行整合，获得气胸分割结果。本发明的方法具有准确的对胸部X光片的气胸进行判断及分割，且能够准确的勾勒出了对象和区域边界，提高了气胸分割形状的连续性和平滑度。

技术领域

本发明属于医学图像处理领域，涉及图像分割及分析技术，具体为一种基于边缘感知的X光片气胸分割及评估方法。

背景技术

气胸是一种常见的医疗急症，是气体进入胸膜腔后，由异常积聚造成的积气状态。发生气胸后胸膜腔内由负压变成正压，使静脉回心血流受阻，从而产生了不同程度的心肺功能障碍，进而引起呼吸不顺畅，表现为胸闷及呼吸困难的典型症状，严重时可能导致缺氧甚至危及生命。因此，准确、快速地诊断气胸在急诊科中具有重要意义。

临床实践上，经常是由放射科医生对胸部X光片进行评估，从而判断是否有气胸。气胸的诊断过程高度依赖放射科医生的经验，对初级放射科医生会非常困难。目前，也有一些气胸自动诊断算法，其在能够在临床上应用，通常分为气胸分类和气胸分割两种。分类法是一种有无气胸的二分类方法，其仅仅对患者是否有气胸进行判断；气胸分割包括传统的基于形态学的方法和基于学习的方法两类。

其中，基于形态学的方法通常结合许多传统的图像处理操作，例如高斯平滑、区域增长、连通域分析，但是，在复杂情况下，这些方法中的手工定义的特征限制了它们的鲁棒性。基于学习的方法直接基于数据建立数学模型，无需手工设计特征即可进行预测诊断，包括U－Net、FPN、 PSPNet、LinkNet等网络架构，例如中国已公开专利CN110895815A，一种基于深度学习的胸部X线气胸分割方法，其是一种基于U－Net的图像分割方法。但是，基于学习的方法是直接学习每个像素的类别标签，忽略了目标的轮廓和形状信息，其在胸部X射线中气胸的边界模糊是一个巨大的挑战，通常会产生预测结果的边缘不连续以及形状不正确的问题。

目前，对于气胸的不连续及边界模糊的问题，一种方法是：采用水平集方法时，可以对能量函数进行正则化以使轮廓平滑；一种方法是：对预测结果进行后处理，例如条件随机场方法，但是其增加了计算复杂性并且方法不够简洁；例如以数据驱动的形式添加正则化的方法，是在基础的分割损失函数中添加新的惩罚项进行处理。

因此，需要对上述气胸分割方法进行改进，以提高气胸的诊断结果。

发明内容

本发明的目的在于提供一种基于边缘感知的X光片气胸分割及评估方法，其能够对气胸进行快速、自动化的评估，能够有效解决胸部X光片中气胸边缘模糊不明显，难以准确进行图像分割的问题。

实现发明目的的技术方案如下：一种基于边缘感知的X光片气胸分割及评估方法，包括以下步骤：

获取胸部X光片。

建立卷积神经网络。本发明建立的卷积神经网络是采用对称的编码器和解码器，将来自编码器和解码器的相同分辨率的层经跳跃链接连接在一起，从而保留了对精确边界分割必不可少的局部特征和细节，此外，跳跃连接有助于梯度的反向传播，从而减轻了梯度消失的问题。同时，本发明的编码器由几个重复的块组成，包括池化层，卷积层和激活层，整个编码器用于学习通用的特征表示。解码器也是由多个块组成，包括最近邻居的上采样层和卷积层，解码器通过两个独立的卷积层输出分别生成二值化掩膜图和有符号距离图。

将胸部X光片输入卷积神经网络内，卷积神经网络内解码器输出二值化掩膜图及有符号距离图。

采用多任务学习法对二值化掩膜图及有符号距离图进行数据驱动的正则化处理。

卷积神经网络输出预测的二值化掩膜的概率图及预测的有符号距离图。