[发明专利]肺部图像分割方法、装置、存储介质及计算机设备

权利要求书

1.一种肺部图像分割方法，其特征在于，所述方法包括：

基于全卷积神经网络模型，通过密集连接的混合膨胀卷积模块和层级注意力机制，构建肺结节分割模型；

以肺实质图像样本为输入，以所述肺实质图像样本的肺结节分割图像为输出，对所述肺结节分割模型进行训练，得到训练好的肺结节分割模型；

获取待处理的肺部图像，通过肺实质分割算法对所述肺部图像进行分割，得到肺实质图像；

根据所述肺实质图像，通过所述训练好的肺结节分割模型，得到所述肺部图像的肺结节分割结果。

2.根据权利要求1所述的方法，其特征在于，所述通过肺实质分割算法对所述肺部图像进行分割，得到肺实质图像，包括：

通过二值化算法，对所述肺部图像进行二值化处理，得到二值化的肺部图像；

通过三维连通算法，对所述二值化的肺部图像进行连通重建，得到肺部三维图像；

通过均值聚类算法，对所述肺部三维图像进行聚类处理，得到二值化肺实质三维连通图像；

对所述二值化肺实质三维连通图像进行膨胀运算，得到三维肺实质轮廓；

对所述三维肺实质轮廓和所述肺部图像进行掩模运算，得到肺实质图像。

3.根据权利要求2所述的方法，其特征在于，所述通过三维连通算法，对所述二值化的肺部图像进行连通重建，得到肺部三维图像，包括：

通过三维连通算法，将所述二值化的肺部图像中的图像像素在三维方向的六个邻域上进行连通，得到所述二值化的肺部图像的多个连通区域；

将所述二值化的肺部图像的多个连通区域按照预定的次序进行重建，得到所述肺部三维图像。

4.根据权利要求3所述的方法，其特征在于，所述通过均值聚类算法，对所述肺部三维图像进行聚类处理，得到二值化肺实质三维连通图像，包括：

以所述肺部三维图像的多个连通区域的中心点与所述肺部三维图像的中心点的距离作为聚类特征，通过均值聚类算法，对所述肺部三维图像进行聚类处理，得到所述肺部三维图像的多个三维连通区域，其中，所述多个三维连通区域包括二值化的三维连通区域和非二值化的三维连通区域；

对所述肺部三维图像的二值化的三维连通区域进行保留，将所述肺部三维图像的非二值化的三维连通区域的体素值设置为1，得到所述二值化肺实质三维连通图像。

5.根据权利要求1所述的方法，其特征在于，所述根据所述肺实质图像，通过所述训练好的肺结节分割模型，得到所述肺部图像的肺结节分割结果，包括：

将所述肺实质图像输入到所述训练好的肺结节分割模型中，得到所述肺部图像的特征信息；

将所述肺部图像的特征信息输入到非线性激活函数中，对所述肺部图像的特征信息进行二值化处理，得到肺部图像的肺结节分割结果。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于全卷积神经网络模型，通过密集连接的混合膨胀卷积模块和层级注意力机制，构建肺结节分割模型，包括：

构建全卷积神经网络模型的编码器和解码器，其中，所述编码器由密集连接的混合膨胀卷积模块、第一批归一化层和第一激活层组成，所述解码器由密集连接的反卷积模块、第二批归一化层和第二激活层组成；

在所述编码器和所述解码器之间，引入层级注意力机制机制，以构建所述肺结节分割模型，其中，所述层级注意力机制下的所述编码器和所述解码器的特征层两两相对，且所述两两相对的特征层中的特征像素分别对应相乘。

7.根据权利要求6所述的方法，其特征在于，所述密集连接的混合膨胀卷积模块包括多个第一三维卷积层，所述多个第一三维卷积层的每两个第一三维卷积层之间采用密集结构连接；所述密集连接的反卷积模块包括多个第二三维卷积层，所述多个第二三维卷积层的每两个第二三维卷积层之间采用密集结构连接。