[发明专利]一种改进U-Net的肺结节分割方法

说明书

本发明公开了一种改进U‑Net的肺结节分割方法，获取Luna16数据集，并对所述Luna16数据集依次进行数据预处理、数据增强和数据拆分；在U‑Net网络中加入双向特征融合网络，并采用尺寸填充的方式对相邻两个特征图进行融合，完成对所述U‑Net网络的改进；利用拆分后的数据集对改进后的所述U‑Net网络进行训练和验证，并将输出的分割图像与所述Luna16数据集进行叠加，完成分割，采用端到端的U‑Net深度学习网络，引入双向特征融合机制，有效融合图像的高级语义特征与低级特征，从而实现肺结节的有效分割，本发明对临床中常见的多种肺部结节类型有较好的分割效果。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种改进U-Net的肺结节分割方法。

背景技术

肺结节是肺癌早期的表现形式之一，计算机断层扫描(Computed Tomography,CT)是中一种高精度的肺结节筛查和分析格式。为了做出准确的诊断，放射科医生必须从大量CT图像数据中准确的找出肺结节。然而，临床中常见的肺结节大小和类型变化很大，大都具有边缘模糊的特点，这极大增加了放射科医师的工作量，也容易在疾病诊断过程中造成误诊和漏诊。

肺结节的精确分割可以有效提取肺结节的特征并适应肺结节的异质性，对后续临床诊断、治疗等方面的研究有着重要的应用价值。因此，致力于肺部CT图像中肺结节分割技术的研究，有很强的实际临床意义。

发明内容

本发明的目的在于提供一种改进U-Net的肺结节分割方法，对临床中常见的多种肺部结节类型有较好的分割效果。

为实现上述目的，本发明提供了一种改进U-Net的肺结节分割方法，包括以下步骤：

获取Luna16数据集，并对所述Luna16数据集依次进行数据预处理、数据增强和数据拆分；

在U-Net网络中加入双向特征融合网络，并采用尺寸填充的方式对相邻两个特征图进行融合，完成对所述U-Net网络的改进；

利用拆分后的数据集对改进后的所述U-Net网络进行训练和验证，并将输出的分割图像与所述Luna16数据集进行叠加，完成分割。

其中，获取Luna16数据集，并对所述Luna16数据集依次进行数据预处理、数据增强和数据拆分，包括：

获取Luna16数据集，并对所述Luna16数据集中的所有图像进行去噪和像素归一化处理；

对归一化后的所述Luna16数据集进行随机翻转和高斯模糊，并将增强后的所述Luna16数据集拆分为训练集和测试集。

其中，在U-Net网络中加入双向特征融合网络，并采用尺寸填充的方式对相邻两个特征图进行融合，完成对所述U-Net网络的改进，包括：

向U-Net网络加入双向特征融合网络，并采用尺寸填充的方式将相邻两层特征图中的后层特征图进行尺寸改变，将相邻两个特征图进行融合；

利用Mish激活函数对所述U-Net网络中的激活函数进行替代，完成对所述U-Net网络的改进。

其中，利用拆分后的数据集对改进后的所述U-Net网络进行训练和验证，并将输出的分割图像与所述Luna16数据集进行叠加，完成分割，包括：

基于设定的训练参数，利用所述训练集对改进后的所述U-Net网络进行训练，得到网络训练模型；

将所述测试集输入所述网络训练模型中，得到对应的分割图像，并将所述分割图像与所述Luna16数据集进行叠加，完成分割。

其中，获取Luna16数据集，并对所述Luna16数据集中的所有图像进行去噪和像素归一化处理，包括：

对所述Luna16数据集建立数据索引；