[发明专利]一种基于改进的AU-Net网络的CT图像分割方法

说明书

本发明属于图像处理领域，具体涉及一种基于改进的AU‑Net网络的CT图像分割方法，该方法包括：获取待分割的脑CT图像，对获取的脑CT图像进行预处理；将处理好的图像输入到训练好的改进AU‑Net网络中进行图像识别分割，得到分割后的CT图像；根据分割后的脑CT图像识别脑出血区域；改进的AU‑Net网络包括编码器、解码器以及跳跃连接部分；本发明针对脑出血CT图像出血部位大小及形状差异性较大而导致分割精度较低的问题，提出了一种基于编码‑解码结构，在该结构中设计了一种残差八度卷积模块，使得模型能更精确的分割识别图像。

技术领域

本发明属于图像处理领域，具体涉及一种基于改进的AU-Net网络的CT图像分割方法。

背景技术

脑出血是指原发性脑实质出血，又称为脑血肿，通过核磁共振(MagneticResonance Imaging，MRI)、计算机断层扫描(Computed-Tomography，CT)、超声(Ultrasound，US)以及其他的医疗影像技术得到的器官解剖图能够客观的反映病患的病理变化情况。临床上，脑出血在CT影像上表现为高亮的区域，正常的脑部软组织在CT图像上表现为黑色。医生根据每张CT图像上表现出来的脑出血区域结合经验判定出血量等相关指标。运用图像分割技术对每张脑出血CT图像进行目标区域的分割，计算出目标区域所占面积的大小，并根据CT层间距以及含有脑出血部位的CT图像数，计算出脑出血量占据的体积，从而更好的为手术做准备。

目前，图像分割方式主要分为人工分割、半自动分割和全自动分割。人工分割是指有经验的放射科医生直接在原始的图像上借助相关的医学图像处理软件对感兴趣区域的边界进行勾画；该方法受主观影响，且分割的效率低。半自动分割方式是指借助计算机处理数据的能力加上人为操作得到分割区域，该方法虽然提高了医学图像的处理效率，但是依旧需要有经验的人员进行相关的操作。对于全自动分割的方式为采用计算机来进行图像分割的过程。

目前，全自动分割的方法中包括Ronnebergeretal提出的用于分割生物显微镜图像的U-Net，该方法采用的编码器(下采样)-解码器(上采样)结构和跳跃连接，采用数据增强技术使得网络更有效地从可用的注释图像中学习特征，在少样本的情况下实现较好的分割；Milletari提出V-Net，该网络将U-Net中的二维卷积扩展到三维，用于三维医学图像分割，但是该方法考虑了三维信息，计算复杂度偏高；R2U-Net将残差连接和循环卷积结合，替换了U-Net中的子模块，用于皮肤病图像、视网膜图像、肺部图像的分割；UNet++在U-Net基础上改进了跳跃连接的部分，弥补了U-Net浅层和深层特征融合时存在的语义鸿沟问题。

上述的现有技术中直接应用于脑出血CT图像分割时存在局限性；由于人脑部结构的复杂性，脑出血区域在CT图像上像素特征与颅骨部位的像素特征极为相似，在分割的时候，颅骨部位的像素会对病灶区域产生干扰；脑出血病灶在CT影像上存在出血位置和尺度的多变性，导致目标区域在样本上分布不均衡，在神经网络训练阶段不利于提取图像特征，从而影响分割效果，因此，急需一种用于脑部CT图像分割模型进行图像分割处理。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于改进的AU-Net网络的CT图像分割方法，该方法包括：获取待分割的脑CT图像，对获取的脑CT图像进行预处理；将处理好的图像输入到训练好的改进混合注意力机制网络AU-Net中进行图像识别分割，得到分割后的CT图像；根据分割后的脑CT图像识别脑出血区域；改进的AU-Net网络包括编码器、解码器以及跳跃连接部分；

所述编码器由重复的卷积层和池化层组成，用于提取输入图像的浅层特征和深层特征；

所述解码器由转置卷积层构成，用于恢复特征图的尺寸；

所述跳跃连接部分为残差八度卷积模块ROC和混合注意力机制模块组成。

优选的，对获取的脑CT图像进行预处理的过程包括：对数据进行去噪和增强处理，去噪增强处理的过程包括对图像进行先腐蚀后膨胀运算，得到增强图像。