[发明专利]一种基于神经网络的CT影像肺叶识别方法

权利要求书

1.一种基于神经网络的CT影像肺叶识别方法，其特征在于，包括如下步骤：

a)收集胸部CT影像数据，将胸部CT数据按照背景、左肺上叶、左肺下叶、右肺上叶、右肺中叶以及右肺下叶进行数据标注；

b)将胸部CT影像X输入残差模块C₁，利用计算机经残差模块C₁复合操作处理后得到特征输出图C₁(X)；

c)利用计算机将特征输出图C₁(X)进行最大池化操作，压缩特征图C₁(X)，得到更新后的特征输出图C'₁(X)；

d)将更新后的特征输出图C'₁(X)输入残差模块C₂，利用计算机经残差模块C₂复合操作处理后得到特征输出图C₂(X)；

e)利用计算机将特征输出图C₂(X)进行最大池化操作，压缩特征图C₂(X)，得到更新后的特征输出图C'₂(X)；

f)将更新后的特征输出图C'₂(X)输入残差模块C₃，利用计算机经残差模块C₃复合操作处理后得到特征输出图C₃(X)；

g)利用计算机将特征输出图C₃(X)输入反卷积模块D₁中进行反卷积操作，反卷积模块D₁将特征输出图C₃(X)的高维特征往原图掩膜的过渡性计算得到特征图D₁(X)；

h)利用计算机将特征图D₁(X)与特征输出图C₃(X)进行堆叠操作，得到联合特征CF₁(X)；

i)将联合特征CF₁(X)输入残差模块C₄，用计算机经残差模块C₄复合操作处理后得到特征输出图C₄(X)；

j)利用计算机将特征输出图C₄(X)输入反卷积模块D₂中进行反卷积操作，反卷积模块D₂将特征输出图C₄(X)的高维特征往原图掩膜的过渡性计算得到特征图D₂(X)；

k)利用计算机将特征图D₂(X)与特征输出图C₂(X)进行堆叠操作，得到联合特征CF₂(X)；

l)利用计算机将联合特征CF₂(X)输入反卷积模块D₃中进行反卷积操作，反卷积模块D₃将联合特征CF₂(X)的高维特征往原图掩膜的过渡性计算得到特征图D₃(X)；

m)利用计算机将特征图D₃(X)与特征输出图C₁(X)进行堆叠操作，得到联合特征CF₃(X)；

n)利用计算机将联合特征CF₁(X)和联合特征CF₂(X)采样成与联合特征CF₃(X)同样的尺寸后将联合特征CF₁(X)、联合特征CF₂(X)和联合特征CF₃(X)三者相加得到特征CF₄(X)；

o)利用计算机将特征CF₄(X)输入卷积层P，得到与输入CT影像X图像尺寸一致的分割图P(X)；

p)使用交叉熵损失函数计算分割图P(X)与步骤a)中数据标注二者之间的损失，如果损失小于阀值则跳转至步骤r)，如果损失大于阀值在执行步骤q)；

q)使用Adam优化算法优化模型参数，如果模型已经收敛则执行步骤r)，如果没有收敛则执行步骤a)；

r)保存模型参数，运行结束；

s)将胸部CT影像数据输入到步骤a)至步骤r)中得到肺叶识别模型中得到肺叶识别的结果。