[发明专利]一种基于Unet模型的肺实质图像分割方法

说明书

本发明提供一种基于Unet模型的肺实质图像分割方法，解决了基于深度学习的肺实质分割模型复杂度高、运算量大和参数多的问题，属于医学图像处理领域。本发明包括：获取待分割的肺实质CT图像；图像预处理；建立LUnet网络结构：以原始Unet模型为基础，使用预激活的残差模块替代编码路径中原有的卷积模块，并在编码路径和解码路径中间引入多尺度上下文模块，同时减少网络层数和调整每层的通道数；利用预处理好的肺实质CT图像对LUnet网络进行训练；将待分割的肺实质CT图像测试集输入训练好的LUnet网络获取分割结果。实验结果表明本发明相较于其它经典语义分割模型，具有参数少、运算量小和精确度高等优点，实现了肺实质图像的快速分割。

技术领域

本发明涉及一种基于Unet模型的肺实质图像分割方法，属于医学图像处理领域。

背景技术

肺是人体重要的呼吸器官，也是病变种类和发病数量最多的器官。常见的肺部疾病有肺炎、肺癌、肺气肿和慢阻肺等。另外，肺癌是一种高发病率和高死亡率的恶性肿瘤，对于大部分的患者，初期不会表现出明显的症状，但确诊时基本已是晚期。所以，对于肺部疾病应该做到早发现、早治疗。肺组织包括肺实质和肺间质两部分，几乎所有的肺部疾病医学影像处理的第一步都是获取完整的肺实质。临床上医生对肺部疾病诊断时通常借助CT图像，而肺实质在CT图像上表现为低灰度的联通区域，如何有效的将肺实质部分从CT图像从分割出来十分重要，它在后续疾病的诊断分析中起到关键作用。

近些年，随着深度学习的崛起，深度神经网络在图像处理领域大放光彩。由于大多数的传统分割算法都需要手动设计特征，无法做到端到端，且鲁棒性较差、在复杂情况下通常效果不好，越来越多的研究者尝试利用深度神经网络来解决图像分割问题。其中Unet网络凭借其在医学图像分割中的出色表现，得到业界的大量关注，众多研究者在此网络基础上进行改进，提出满足自己分割需求的网络。例如为了分割膜虹图像，Lian等人将注意力机制引入Unet网络。为了分割膝关节图像，于宁波等人将残差思想引入Unet网络。虽然改进后的模型在分割效果上通常都有所提升，但是模型往往参数过多、运算量大，不利于实现图像的快速分割。为了解决上诉问题，本发明提出一种基于Unet模型的肺实质图像分割方法。

发明内容

针对目前基于深度学习的肺实质分割模型复杂度高、运算量大和参数多的问题，本发明提出一种基于Unet模型的肺实质图像分割方法。

本发明所诉的一种基于Unet模型的肺实质图像分割方法，包括以下步骤：

S1:获取待分割的肺实质CT图像；

S2:图像预处理；

S3:建立LUnet网络结构：

以原始Unet模型为基础，使用预激活的残差模块替代编码路径中原有的卷积模块，并在编码路径和解码路径中间引入多尺度上下文模块，同时减少网络层数和调整每层的通道数；

S4:利用预处理好的肺实质CT图像对LUnet网络进行训练；

S5:将待分割的肺实质CT图像测试集输入训练好的LUnet网络获取分割结果。

优选地，所诉步骤S3中的预激活残差模块可以在不引起梯度爆炸或者梯度弥散的前提下加深网络深度，提高模型的分割性能，同时这种先通过激活函数再通过卷积的残差结构可以使网络流通更加顺畅。

优选地，所诉步骤S3中的多尺度上下文模块可以提取到不同尺度的信息，进而丰富了空间的上下文信息，从而提高了网络的分割性能。

优选地，所诉步骤S3中的LUnet网络共进行3次下采样，可以减少下采样所造成的空间信息损失，同时每层网络的通道数为原始Unet网络的1/4，可以减少大量冗余参数，提高网络的推理速度。