[发明专利]一种基于CHS-Net网络的医学图像分割方法

说明书

本发明属于图像分割技术领域，具体涉及一种基于CHS‑Net网络的医学图像分割方法，包括如下步骤：数据采集、数据预处理、模型构建、模型评价，所述数据采集在公开的COVID‑19肺炎CT图像中采集相关数据；所述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；所述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；所述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。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于CHS-Net网络的医学图像分割方法。

背景技术

新型严重急性呼吸综合征冠状病毒2型，又称COVID-19，在全球范围内蔓延，造成大量人员死亡，计算机断层摄影即CT、x射线等医学影像通过视觉表现器官的功能，在诊断患者中起着重要作用。然而，对于任何放射科医生来说，分析这种扫描都是一项乏味而耗时的任务。

存在问题或缺陷的原因：目前，深度学习广泛应用于计算机视觉领域并取得成功，神经网络通过模仿人脑构造，利用大数据，能够自动地完成对特定物体的学习，现在医学图像的分割更多是基于U-Net模型，它能够在较少样本量的情况下完成模型训练并实现图像分割，但由于在U-Net网络中，每一层所提取的特征通常只被学习一次，不同层次的特征之间缺乏联系，因此网络对于特征的利用率较低，影响最终的分割准确率。

发明内容

针对上述医学图像分割技术模型准确率低等问题，本发明提供了一种基于CHS-Net网络的医学图像分割方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于CHS-Net网络的医学图像分割方法，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。

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。

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。