[发明专利]基于特征融合深监督U-Net的新冠肺炎病灶分割方法

权利要求书

1.一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于：包括下述步骤：

步骤1：获取初始样本集

收集确诊为COVID-19的多名患者的胸部三维CT扫描图像，对胸部三维CT扫描图像中COVID-19病灶区域位置进行标注，对胸部三维CT扫描图像进行切片处理，并筛选掉不含有COVID-19病灶的切片，将每名患者的筛选后剩下的所有切片及各切片对应的标注数据作为一个初始样本，得到初始样本集；

步骤2：对初始样本集进行预处理

步骤3：获取训练样本集与验证样本集

从预处理后的样本集中选取M个样本构成训练样本集、剩下的样本构成验证样本集；

步骤4：对训练样本集进行数据增广；

步骤5：搭建分割模型

搭建基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支，所述特征融合块添加在不同层级的跳跃连接间，所述深监督分支添加在解码器部分；

步骤6：训练分割模型

利用数据增广后的训练样本集、验证样本集对搭建好的分割模型进行训练和选择，得到最优分割模型；

步骤7：对待分割的胸部三维CT扫描图像进行切片处理，对所有切片进行预处理，将预处理后的所有切片输入所述最优分割模型并得到分割结果，对分割结果进行双线性插值上采样以恢复至原始大小，将该待分割的胸部三维CT扫描图像的所有切片的恢复至原始大小的分割结果按照位置关系合并为三维数据。

2.根据权利要求1所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述步骤2包括下述步骤：

步骤2.1：对所有切片以[-1200，600]的HU值范围进行调窗处理；

步骤2.2：对调窗处理后的所有切片进行最大最小归一化处理；

步骤2.3：对归一化处理后的所有切片和标注数据进行均值下采样，将每个切片及对应的标注数据的大小由512*512缩小至256*256。

3.根据权利要求1所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述步骤4中，对训练样本集进行数据增广的方法为随机在线增广方法，具体为：每代训练中训练样本在输入模型进行训练前都会进行随机旋转、随机弹性形变、镜像、随机强度变化、保持原样中的一种。

4.根据权利要求1所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述步骤5中，所述编码器中第一层级包括依次相连的a₁个卷积单元、第二层级包括依次相连的a₂个残差单元、第三层级包括依次相连的a₃个残差单元、第四层级包括依次相连的a₄个残差单元、第五层级包括依次相连的a₅个残差单元；所述解码器中第一层级包括依次相连的b₁个卷积单元、第二层级包括依次相连的b₂个残差单元、第三层级包括依次相连的b₃个残差单元、第四层级包括依次相连的b₄个残差单元。

5.根据权利要求1所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述步骤5中，所述特征融合块包括编码器中每一层级的特征图在进行跳跃连接前与前面所有层级的特征图进行相加融合；所述深监督分支包括在解码器中除原来具有输出分支的第一层级外的其他三个层级各添加一个输出分支。

6.根据权利要求5所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述特征融合块中，先使用卷积单元将浅层的特征图下采样到与待融合特征图相同的大小，再通过残差单元对下采样后的特征图进行调整，将经残差单元调整后的特征图与待融合特征图以像素级相加的形式进行融合，最后通过原本的跳跃连接传递到解码器部分。