[发明专利]一种磨玻璃肺结节分割方法及装置

权利要求书

1.一种磨玻璃肺结节分割方法，其特征在于，所述方法包括以下步骤：

对肺部CT图像进行预处理；

运用注意力级联残差U-Net模型对肺结节区域实施初分割，得到初分割结果；

使用条件随机场优化所述初分割结果，获得最终分割结果；

输出所述最终分割结果；对CT影像预处理步骤包括：

输入肺部CT序列断层影像I_CT；

将所述影像I_CT的灰度范围归一化至[-1,1]；

选取磨玻璃肺结节中心点，根据肺结节的中心点坐标，剪切出包含磨玻璃肺结节的三维感兴趣区域ROI_GGN；

对训练集中样本数据进行增强和扩充；所述注意力级联残差U-Net模型构建步骤包括：

根据卷积神经网络结构，构建包含编码模块和解码模块的注意力级联残差U-Net模型，对所述注意力级联残差U-Net进行训练，得到磨玻璃肺结节分割模型；所述对所述注意力级联残差U-Net进行训练，包括：

构建损失函数，利用所述损失函数对所述模型进行训练；其中，

平衡交叉损失函数BCELoss的计算公式如下：

Dice系数损失函数计算公式如下：

平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下：

BCE-DICELoss＝α*BCELoss+β*DiceLoss

其中，其中，x表示网络的输出预测值，y表示每个像素的真实标签，w为权重系数；α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数，ε为平滑系数；所述使用条件随机场优化所述初分割结果，包括：

利用能量函数对初分割结果进行优化，所述能量函数计算公式如下：

其中，C表示每个体素的标签；Φ_u(c_i)为一元势函数，表示注意力级联残差U-Net模型输出的体素预测概率；Ψ_v(c_i,c_j)为二元势函数；u,v表示预测的体素标签；μ(c_i，c_j)表示兼容函数；c_i、c_j表示体素i、j位置对应的标签；f_i、f_j分别是体素i、j位置任意维度的特征向量；k(f_i，f_j)是高斯核函数，k^(m)表示高斯核，k值设定为2，p_i和p_j表示两个体素I_i和I_j的位置,θ_α,θ_β和θ_γ为高斯核的参数。

2.一种磨玻璃肺结节分割装置，其特征在于，所述装置包括：

图像预处理模块，用于调用对肺部CT图像进行预处理；

初始分割模块，运用注意力级联残差U-Net模型对肺结节区域实施初分割，得到初分割结果；

优化模块，用于使用条件随机场优化所述初分割结果，获得最终分割结果；

输出模块，用于输出所述最终分割结果；所述图像预处理模块对CT影像预处理步骤包括：

输入肺部CT序列断层影像I_CT；

将所述影像I_CT的灰度范围归一化至[-1,1]；

选取磨玻璃肺结节中心点，根据肺结节的中心点坐标，剪切出包含磨玻璃肺结节的三维感兴趣区域ROI_GGN；

对训练集中样本数据进行增强和扩充；所述初始分割模块对注意力级联残差U-Net模型构建步骤包括：

根据卷积神经网络结构，构建包含编码模块和解码模块的注意力级联残差U-Net模型，对所述注意力级联残差U-Net进行训练，得到肺结节分割模型；所述初始分割模块对所述注意力级联残差U-Net进行训练，包括：

构建损失函数，利用所述损失函数对所述模型进行训练；其中，

平衡交叉损失函数BCELoss的计算公式如下：

Dice系数损失函数计算公式如下：

平衡交叉损失函数和Dice系数联合损失函数BCE-DICELoss计算公式如下：

BCE-DICELoss＝α*BCELoss+β*DiceLoss

其中，x表示网络的输出预测值，y表示每个像素的真实标签，w为权重系数；α和β分别表示对平衡交叉熵损失和Dice系数损失的加权系数，ε为平滑系数；所述优化模块使用条件随机场优化所述初分割结果，包括：

利用能量函数对初分割结果进行优化，所述能量函数计算公式如下：

其中，C表示每个体素的标签；Φ_u(c_i)为一元势函数，表示注意力级联残差U-Net模型输出的体素预测概率；Ψ_v(c_i,c_j)为二元势函数；u,v表示预测的体素标签；μ(c_i，c_j)表示兼容函数；c_i、c_j表示体素i、j位置对应的标签；f_i、f_j分别是体素i、j位置任意维度的特征向量；k(f_i，f_j)是高斯核函数，k^(m)表示高斯核，k值设定为2，p_i和p_j表示两个体素I_i和I_j的位置,θ_α,θ_β和θ_γ为高斯核的参数。