[发明专利]一种新型冠状肺炎的疾病检测分割方法

说明书

本发明公开了一种新型冠状肺炎的疾病检测分割方法，步骤如下：S1、获取COVID‑19肺CT病变的数据，进行预处理，图像的阈值范围为(‑1000，500)，找到肺部开始和结束的切片，并向外扩张切片，进行切片处理，去掉没有病灶的切片；S2、对数据进行处理，包括随机旋转图像、水平与垂直翻转图像、直方图均衡技术和图像归一化处理；S3、构建N‑Net网络结构；S4、对N‑Net中每层的两个3x3卷积的Block进行优化，同时，对U‑Net中每一层的两个3x3卷积的Block进行同样的优化；S5、将U‑Net和N‑Net网络结构合并成最终的网络结构NU‑Net。本发明采用上述的一种新型冠状肺炎的疾病检测分割方法，通过对感染COVID‑19肺部的CT图像提取特征，实现对肺部病灶的有效分割。

技术领域

本发明涉及计算机深度学习图像分割技术领域，尤其是涉及一种新型冠状肺炎的疾病检测分割方法。

背景技术

冠状病毒病(COVID-19)在全球范围内的广泛传播，使全球面临生存健康危机。通过计算机断层扫描(CT)图像自动检测肺部感染，为加强应对COVID-19的传统医疗保健战略提供了巨大潜力。为了控制该疾病的传播，筛查大量疑似病例以进行适当的检疫和治疗是当务之急。

在确定COVID-19的严重程度方面，肺部异常是临床管理病人的关键因素，有可能促进更及时和个性化的医疗干预。病变的量化可以进一步提供疾病进展的跟踪和对治疗对策的反应。因此，改善COVID-19的治疗始于对病人疾病状态更清晰的了解，须包括对肺部病变和疾病表型和模式的准确识别、划定和量化。

目前，新型冠状肺炎COVID-19的疾病检测分割仍然有很多挑战，虽然肺部成像对于早起的识别和治疗都是至关重要的，但从CT切片中分割感染区域面临着几个挑战，包括感染特征的高变异、感染与正常组织的低强度对比。此外，深度学习需要大量的数据集来获得更有效的特征，而在短时间内收集大量数据是不现实的，数据集相对较小，会导致模型的过拟合，阻碍了深度模型的训练。

尽管UNet网络是近年来医学分割领域非常流行的网络，但是，通过研究发现，UNet网络在检测细微的组织结构时性能很差，并且无法精确分割边界区域，这是由UNet这种欠完备的网络中较大的感受野造成的。随着网络深度的增加，感受野也就越来越大，使得网络能够更加关注高级的语义信息，同时只能学习到较少的低层次特征，但是细小的组织结构是需要较小的感受野来获得的，即使UNet有跳跃链接的结构，它的最小感受野还是限制于第一层的网络。

发明内容

本发明的目的是提供一种新型冠状肺炎的疾病检测分割方法，解决了U-Net网络检测细微的组织结构时性能差和无法精确分割边界区域的问题，通过对感染COVID-19肺部的CT图像提取特征，实现对肺部病灶的有效分割。

为实现上述目的，本发明提供了一种新型冠状肺炎的疾病检测分割方法，步骤如下：

S1、获取COVID-19肺CT病变的数据，进行预处理，图像的阈值范围为(-1000，500)，找到肺部开始和结束的切片，并向外扩张切片，进行切片处理，去掉没有病灶的切片；

S2、对数据进行处理，包括随机旋转图像、水平与垂直翻转图像、直方图均衡技术和图像归一化处理；

S3、构建N-Net网络结构，与U-Net采样顺序相反，采样时先上采样后下采样，放大输入图片的细节信息；

S4、对N-Net中每层的两个3x3卷积的Block进行优化，同时，对U-Net中每一层的两个3x3卷积的Block进行同样的优化；

S5、将U-Net和N-Net网络结构合并成最终的网络结构NU-Net。

优选的，步骤S3中，构建N-Net过程如下，N-Net编码器先进行上采样，将输入转化为更高的维度，然后解码器进行下采样，其上采样是双线性插值，下采样是用最大池化。