[发明专利]肺部X光图像分割方法、系统、计算机设备及存储介质

说明书

本发明公开了一种肺部X光图像分割方法、系统、计算机设备及存储介质，所述方法包括：获取肺部X光图像数据集；对肺部X光图像数据集进行预处理，得到训练集；将训练集输入RIAMU‑Net模型进行训练，得到训练后的RIAMU‑Net模型，所述RIAMU‑Net模型以U‑Net模型为基础，编码器的每一层均包括Res‑inception模块，解码器的每一层均包括注意力机制模块和Res‑inception模块；利用训练后的RIAMU‑Net模型对待分割肺部X光图像数据进行分割，得到分割图像。本发明基于U‑Net模型，改进模型结构，使之能更好地提取X光图像的特征，可以更加精确的分割肺部图像，对肺部边缘分割的效果上有所提高。

技术领域

本发明涉及一种肺部X光图像分割方法、系统、计算机设备及存储介质，属于肺部X光图像分割领域。

背景技术

医学图像是很多疾病诊断的重要依据，因此在疾病诊断的过程中，产生了很多的医学图像，这给医学图像分割算法的研究带来了数据基础。传统的图像分割方法利用的是图像中一种或几种人为选取的特征，导致传统方法在分割特征不是显而易见的图像时往往准确率不高。图像分割在医学成像等多种其他应用中起着重要的作用，分割过程的目标是定义图像中具有某些属性，利用这些属性可以使分割出的图像各部分差异较小。这些性质的定义应满足一个一般条件，即如果考虑同一组适当的条件，分割后相邻不同区域是不相似的。

总体上可以将医疗图像的分割算法分为传统方法和基于深度学习的方法。基于阈值的方法、基于区域的方法、基于边缘的方法是较为常见的传统分割方法。基于阈值的方法利用图像中每个像素的灰度值对每个像素来分类，是最简单和最快速的方法。具体来说就是为每个类别设定一个灰度值的范围，遍历一次图像的像素值就可以得到分类的结果。基于阈值分割法的关键是选择合适的阈值，双锋法和大津法是常见的阈值选择方法。基于区域的分割方法主要有区域生长法、区域合并法、区域分裂合并法。图像中在不同部分之间的边缘的像素沿着分界线的灰度值变化小，而沿着垂直于分界线方向的灰度值变化较剧烈。根据这一特点可以通过求灰度值的导数值来确定边界，导数值可以用微分算子来得到，如roberts算子、prewitt算子、sobel算子、LoG算子、Canny算子等。

U-Net模型如图1所示，U-Net具有一个重要特征：U-Net的编码路径(左)首先对输入图像进行编码产生特征向量，然后通过解码路径(右)解码到输出分割图。如图1所示，每个箭头左侧(中间)的特征映射连接到模型右侧的解码层。这些跳过连接有助于通过编码路径恢复信息，减少底层信息的丢失。因为一些目标组织在输入图像是非常小的，因此当传输到编码路径的更深层时，这些信息可能会逐渐减少，上述跳过连接结构有助于减少信息损失。

闫文杰等人基于经典的U-Net模型和空洞卷积(Dilated convolutions，DC)，采用的图像分割网络如图2所示，给出了处理肺部CT图像分割问题的空洞U-Net模型(DC-U-Net)，并且在模型输出层之前加了一层1×1的卷积，融合了多通道信息并增加模型的非线性。在工程实践中，首先对原始图像进行了预处理，主要包括去噪处理和数据增强。闫文杰等人利用Kaggle中的lungs数据进行了数值实验，给出了肺部CT分割图，并且与其它的模型进行了比较。数值结果表明，这个模型在肺部分割上效果良好，有一定的应用价值，但该模型没有考虑不同通道的特征图的重要性，以及相同通道不同空间位置对分割结果影响的重要性，卷积核的大小是固定的，导致模型同一层的感受野是相同的，数据增强不够多，导致训练样本不够多，导致存在以下缺点：1)在对肺部边缘的分割上有所欠缺，如分割轮廓有些地方有空洞；2)在对肺部微小血管等细微结构上，方法的效果并不理想，有些细微结构没有分割出来。

发明内容

有鉴于此，本发明提供了一种肺部X光图像分割方法、系统、计算机设备及存储介质，其基于U-Net模型，改进模型结构，使之能更好地提取X光图像的特征，可以更加精确的分割肺部图像，对肺部边缘分割的效果上有所提高。

本发明的第一个目的在于提供一种肺部X光图像分割方法。