[发明专利]一种基于双边学习分支实现实用的肺部病变分割方法

权利要求书

1.一种基于双边学习分支实现实用的肺部病变分割方法，其特征在于，包括：

S1：获取肺部数据集；

S2：对所述肺部数据集中的每一张图像进行预处理操作，得到预处理后的肺部数据集；

S3：利用病灶图像分割网络对所述预处理后的肺部数据集进行分割，得到病灶区域；

所述步骤S3中，所述病灶图像分割网络包括特征提取分支，所述特征提取分支包括：

RepVGG网络模块，所述RepVGG网络模块用于提取所述预处理后的肺部数据集中的多尺度特征且包括多个卷积组件，每个卷积组件包括一个空洞卷积层、一个标准卷积层、一个批量标准化层和一个线性叠加层，各所述卷积组件中的空洞卷积层和标准卷积层分别获取上一个卷积组件的输出结果，并分别对该输出结果进行处理后利用所述线性叠加层进行叠加，之后利用所述批量标准化层输出为相对于所述上一个卷积组件的输出结果维度降低后的输出结果。

2.根据权利要求1所述的基于双边学习分支实现实用的肺部病变分割方法，其特征在于，所述步骤S2包括：

S21：对所述肺部数据集中的每一张图像依次进行水平翻转处理，得到水平翻转处理后的肺部数据集；

S22：对所述水平翻转处理后的肺部数据集中的每一张图像进行边缘随机裁剪处理，得到边缘随机裁剪后的肺部数据集；

S23：对所述边缘随机裁剪后的肺部数据集中的每一张图像进行几何形变处理，得到预处理后的肺部数据集。

3.根据权利要求2所述的基于双边学习分支实现实用的肺部病变分割方法，其特征在于，所述病灶图像分割网络包括：所述步骤S23包括：

根据病变区域的不规则性，利用三角函数对所述边缘随机裁剪后的肺部数据集中目标图像的每个像素的位置进行变换；所述变换方式为：

其中，分别表示每个像素变换前的横纵坐标；分别表示每个像素变换后的横纵坐标。

4.根据权利要求1所述的基于双边学习分支实现实用的肺部病变分割方法，其特征在于，所述步骤S3包括：

提取所述预处理后的肺部数据集中的多尺度特征，其中，所述多尺度特征包括末三级特征；

对所述末三级特征进行特征融合，得到全局语义特征；

提取所述预处理后的肺部数据集中的细节特征；

对所述全局语义特征和所述细节特征进行融合，得到病灶区域。

5.根据权利要求1所述的基于双边学习分支实现实用的肺部病变分割方法，其特征在于，所述特征提取分支还包括第一MLPF模块和第二MLPF模块；所述多个卷积组件包括第四卷积组件、第五卷积组件和第六卷积组件，所述第五卷积组件的输出结果和所述第六卷积组件的输出结果同时作为所述第一MLPF模块的输入，所述第一MLPF模块的输出结果和所述第四卷积组件的输出结果同时作为所述第二MLPF模块的输入，所述第二MLPF模块的输出作为全局语义特征输出。

6.根据权利要求1所述的基于双边学习分支实现实用的肺部病变分割方法，其特征在于，所述病灶图像分割网络还包括细节提取分支，所述细节提取分支包括深金字塔聚合模块和SUM线性叠加模块，所述深金字塔聚合模块用于提取所述预处理后的肺部数据集中每一张图像的细节特征，得到细节特征集；所述SUM线性叠加模块用于对所述细节特征集和全局语义特征进行特征融合，得到病灶区域。