[发明专利]一种基于CovSegNet的肺部病变图像分割方法

说明书

本发明属于应用肺部病变图像分割技术领域，具体涉及一种基于CovSegNet的肺部病变图像分割方法，包括如下步骤：数据采集、数据预处理、模型构建、模型保存、模型评估，所述数据采集采集来自肺部感染的多种数据集，对获取的数据集中的图像进行数据标注，构建模型训练所需数据集；所述数据预处理对数据划分，归一化和图像缩放，并且进行数据扩充；所述模型构建基于CovSegNet的分割网络模型，输入训练数据，搭建参数模型；所述模型保存保存损失函数不再降低之后的模型；所述模型评估通过多种评价指标对保存的模型进行评估，了解其相关性能。

技术领域

本发明属于肺部病变图像分割技术领域，具体涉及一种基于CovSegNet的肺部病变图像分割方法。

背景技术

目前随着最近冠状病毒病-2019COVID-19的爆发，世界经历了前所未有的死亡人数，世界各地的医疗保健系统严重崩溃。早期诊断是现阶段控制这一全球大流行的首要问题，因为它具有极端传染性。尽管逆转录-聚合酶链反应(RT-PCR)被认为是诊断COVID-19的金标准，但其较长的时间要求、较低的灵敏度以及试剂盒的大量短缺，已经使替代自动化诊断方案变得极其紧迫。

存在问题或缺陷的原因：肺部CT扫描肺病变自动分割是COVID-19准确诊断和严重程度测量的关键阶段。传统的编码器-解码器体系结构及其变体在汇集/上采样操作中受到上下文信息减少的困扰，编码和解码特征映射之间的语义差距增加，并导致其序列梯度传播的梯度消失问题，从而导致次优性能。此外，由于计算复杂度呈指数增长，使优化变得困难，存在一定的限制。

发明内容

针对上述方法上下文信息关联减少、编码和解码特征映射之间的语义差距增加的技术问题，本发明提供了一种效率高、分割性能强、误差小的基于CovSegNet的肺部病变图像分割方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于CovSegNet的肺部病变图像分割方法，包括下列步骤：

S100、数据采集：采集来自肺部感染的多种数据集，对获取的数据集中的图像进行数据标注，构建模型训练所需数据集；

S200、数据预处理：对数据划分，归一化和图像缩放，并且进行数据扩充；

S300、模型构建：基于CovSegNet的分割网络模型，输入训练数据，搭建参数模型；

S400、模型保存：保存损失函数不再降低之后的模型；

S500、模型评估：通过多种评价指标对保存的模型进行评估，了解其相关性能。

所述S100数据采集中，采集20个CT卷，1800+切片形成数据集-1，且由放射学专家进行图像标注，然后从40名不同的COVID-19患者采集110幅轴向CT图像形成COVID-19CT分割数据集-2。

所述S200数据预处理中，统一将两个数据集中的图像大小调整为512×512。

所述S200数据预处理中，分别对训练集数据进行45度，90度，135度旋转，并调整数据对比度、亮度，对数据进行扩增，然后将进行变换后的数据与原训练集混合，构建新的数据集。

所述S200数据预处理中，使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，然后用4个子集的并集作为训练集，余下的子集作为测试集，获得5组训练/测试集，然后进行5次训练和测试，最终返回到5个测试结果的均值。

所述S200数据预处理中，对所有数据进行每个像素点除以225的归一化操作，统一量纲。