[发明专利]一种基于神经网络的CT影像肺叶识别方法

说明书

一种基于神经网络的CT影像肺叶识别方法，肺叶识别由于肺裂与肺实质在CT值上的区分度太低，在传统图像处理领域，是一个较难的任务。而通过本发明基于神经网络的CT影像肺叶识别方法，以其足够“深”的维度，足够多的参数量，使得网络可以学习到更加复杂和高维的特征。残差模块的引入，增加了模型复杂度，赋予了模型更高的特征学习能力。在原U‑Net的高特征提取能力上，后面的多尺度融合通道，能够使模型学习到从粗到细的不同肺叶边界的特征。由此，高准确率的肺叶识别模型得以实现。

技术领域

本发明涉及计算机辅助医学领域，具体涉及一种基于神经网络的CT影像肺叶识别方法。

背景技术

肺叶识别是在肺部疾病评估中一个必要的步骤，不同的病灶位于不同的肺叶，可能的疾病分级会不同。目前传统方法进行肺叶识别的方式，是通过传统数字图像处理算法，先对肺叶进行识别，再根据肺区与肺裂的相对位置，定位各个肺叶。这些方法只能在极端理想的情况下可行，在肺裂附近存在病变引起肺裂模糊的情形中，会导致较大误差。

发明内容

本发明为了克服以上技术的不足，提供了一种能够准确且快速的将CT影像进行肺叶识别定位的基于神经网络的CT影像肺叶识别方法。

本发明克服其技术问题所采用的技术方案是：

一种基于神经网络的CT影像肺叶识别方法，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)；