[发明专利]一种基于CHS-Net网络的医学图像分割方法

权利要求书

1.一种基于CHS-Net网络的医学图像分割方法，其特征在于：包括下列步骤：

S100、数据采集：在公开的COVID-19肺炎CT图像中采集相关数据；

S200、数据预处理：对数据集进行预处理，包括数据切片、数据标注、数据缩放和数据划分四种方式；

S300、模型构建：从融合的数据集中获得训练集和测试集，基于CHS-Net分割网络模型通过将U-Net、Inception、ResNet和Attention融合构造形成新的融合网络模型，将组建好的训练集与其对应标签输入网络，通过网络的的迭代优化，进行模型的训练；

S400、模型评价：当损失函数不在下降且评价结果最优，则对模型进行保存和评价。

2.根据权利要求1所述的一种基于CHS-Net网络的医学图像分割方法，其特征在于：所述S100数据采集中，收集有关新冠肺炎的公共数据集，数据源来自由政府规范和个人隐私而拥有COVID-19CT分割数据集的开放存取数据仓库。

3.根据权利要求2所述的一种基于CHS-Net网络的医学图像分割方法，其特征在于：所述S200数据预处理中，数据切片、数据标注、数据缩放和数据划分方式如下：

数据切片：将获取数据集中的图像进行切片，同时将切片图像中黑色或深色像素进行人工过滤，切片尺寸为256×256，每个切片都有与病灶相关的肺炎区域，最终形成3560个CT切片组成的数据集；

数据标注：切片由放射专家进行标注，生成分割掩模，切片每个像素都用类别标签标记为1或0，其中1表示像素中具有与病灶相关的感兴趣区域，0表示背景；

数据缩放：按照卷积神经网络输入图片的尺度对数据集数据大小进行统一调整为256×256；

数据划分：对所有数据进行归一化操作，方式为对每个像素点除以225，将构成的数据集按照7：3进行数据划分，分成训练集和测试集，测试集用于测试模型效果。

4.根据权利要求3所述的一种基于CHS-Net网络的医学图像分割方法，其特征在于：所述S300模型构建中，模型通过将两个RAIU-Net串联在一起，其中第一个模型生成肺炎轮廓图，第二个模型利用这些轮廓图识别感染区域，模型的深度分为四个阶段，每个阶段提取不同空间维度的信息形成特征图。

5.根据权利要求4所述的一种基于CHS-Net网络的医学图像分割方法，其特征在于：所述S300模型构建中，第一个RAIU-Net模型以U-Net为基础框架，将编码极端中的每个二维卷积被替换为Residual Inception block进行特征提取，Residual Inception block中的Residual用于提高模型的深度和宽度，提取更复杂的特征信息，公式为F(x)＝H(x)-x，H(x)为残差网络的输出，F(x)为经过卷积操作的输出，Inception将某一层网络卷积核拆分成不同尺寸的卷积核，用混合池化和批标准化协方差减少内部转移并利用ReLU非线性激活函数进行特征的充分组合，混合池化将最大池化和光谱池化进行混合使用；解码阶段利用残差函数将层重新定义为对应于层输入的学习，从上一个层的Residual Inception block提取的特征图利用深度注意网络以处理提取的特征图，并保留最相关的高或低功能映射。

6.根据权利要求5所述的一种基于CHS-Net网络的医学图像分割方法，其特征在于：所述S300模型构建中，其中的深度注意网络将注意机制中引入混合池化层，提取最显著的特征，并生成注意描述符，为输入层推断出鲜明的目标特征，之后将其特征信息与该层对应的转置卷积进行特征连接，表示扩展阶段的相似空间维度，使用跳过连接，深度注意网络中采用1×1卷积用于减小深度和空间维数，同时第二个RAIU-Net模型进行上述同样的操作用于识别感染区域，完成模型的构建与训练。