[发明专利]基于边缘算子改进的ResUnet医学影像分割系统

说明书

本发明提供了一种基于边缘算子改进的ResUnet医学影像分割系统，包括：数据获取模块，被配置为：获取待处理的医学影像数据；肺段分割模块，被配置为：根据获取的医学影像数据和预设ResUnet网络模型，得到肺段分割结果；其中，根据预测结果与标注标准数据得到第一损失函数，根据预测结果与边缘算子处理后的标注数据得到第二损失函数，以第一损失函数和第二损失函数的加权和为ResUnet网络模型的损失函数；本发明在训练过程中进行优化调整和模型训练学习的损失函数的重新设计，能够更快速的进行智能特征学习，极大的提高了器官结构分割准确率。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于边缘算子改进的ResUnet医学影像分割系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

对于肺部较深结节，肺段切除是一种可靠术式，可以保证结节完整切除。受段门解剖结构的影响，不同的肺段手术流程不尽相同，不同肺段的段门三大结构：动脉、静脉和气管的处理顺利不同。特别是解剖结构存在变异时，肺段手术难度明显增加。因此，在肺结节诊断中，通过提供肺结节所在肺段信息，可以为医师诊断和治疗肺结节提供更精确的信息，进而更好的辅助医生活得更准确的诊断信息，方便后续更精确的治疗方案。

随着深度学习等技术的发展，将深度学习技术应用到医疗辅助诊断已成为一种必然趋势，通过深度学习算法等辅助诊断，可以很好的提高医生的工作效率，并为患者提供更准确的诊断结果。通过深度学习，更好的利用肺部CT影像信息，对肺段等部位更好的切分。

但是，发明人发现，现有的各种基于深度学习的方案，多是利用大量数据标注数据进行模型训练，没有更好的利用医学相关的解剖结构知识和影像数据的边缘特征信息，导致结构边缘的分割效果较差。

发明内容

为了解决现有技术的不足，本发明提供了一种基于边缘算子改进的ResUnet医学影像分割系统，在训练过程中进行优化调整和模型训练学习的损失函数的重新设计，能够更快速的进行智能特征学习，极大的提高了器官结构分割准确率。

为了实现上述目的，本发明采用如下技术方案：

一种基于边缘算子改进的ResUnet医学影像分割系统，包括：

数据获取模块，被配置为：获取待处理的医学影像数据；

肺段分割模块，被配置为：根据获取的医学影像数据和预设ResUnet网络模型，得到肺段分割结果；

其中，根据预测结果与标注标准数据得到第一损失函数，根据预测结果与边缘算子处理后的标注数据得到第二损失函数，以第一损失函数和第二损失函数的加权和为ResUnet网络模型的损失函数。

本发明第二方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如下步骤：

获取待处理的医学影像数据；

根据获取的医学影像数据和预设ResUnet网络模型，得到肺段分割结果；

其中，根据预测结果与标注标准数据得到第一损失函数，根据预测结果与边缘算子处理后的标注数据得到第二损失函数，以第一损失函数和第二损失函数的加权和为ResUnet网络模型的损失函数。

本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：

获取待处理的医学影像数据；

根据获取的医学影像数据和预设ResUnet网络模型，得到肺段分割结果；