[发明专利]基于改进3D-UNet网络的肺结节分割方法及其系统

权利要求书

1.基于改进3D-UNet网络的肺结节分割方法，其特征在于所述方法包括以下步骤：

S1、数据获取并预处理

获取原始的DICOM格式的3维肺结节CT图像，通过预处理及格式转换得到肺结节jpg序列图片，并将肺结节jpg序列图片通过execute方法生成图像矩阵数组，利用生成的图像矩阵数组进行格式转换得到nii格式图像；

S2、构建数据集

对nii格式图像进行数据增强，然后进行裁剪成固定尺寸的图像；并将其对应的肺结节mask图像作为标签，构成数据集；

S3、搭建改进3D-UNet网络模型，并利用数据集对其进行训练和验证；

所述改进3D-UNet网络模型包括编码器、解码器，编码器、解码器间的连接采用残差路径连接；

所述编码器对输入图像进行四次下采样，逐步提取特征生成四张特征逐步加深的特征图；每次下采样过程包括依次级联的两个3×3Conv层、一个压缩激励模块、2×2最大池化层；

将所述编码器的最后一层下采样后图像经过两个3×3Conv层、一个压缩激励模块后输入至所述解码器；

所述解码器对输入图像进行四次上采样，结合对应层下采样输出的特征图，逐步生成一张掩膜图像；每次上采样过程包括依次级联的2×2反卷积层、两个3×3Conv层、压缩激励模块；

所述残差路径连接采用5-n个串联的卷积单元，n表示当前下采样层数，每个卷积单元包括3×3滤波器、1×1滤波器、融合层；所述3×3滤波器接收当前层下采样输出特征或当前卷积单元上一个级联卷积单元的输出，对其滤波后输出至融合层；所述1×1滤波器接收当前层下采样输出特征或上一个级联卷积单元的输出，对其滤波后输出至融合层；所述融合层接收3×3滤波器输出结果、1×1滤波器输出结果，对其进行相加后输出结果至当前卷积单元下一个级联卷积单元或当前层对应的上采样；

所述压缩激励模块具体实现如下：

①给定一个input特征图X，让其经过Ftr卷积操作生成特征图U，其中特征层U的特征图维度为[C,H,W]，C、H、W分别表示图像的通道数、高、宽；

②对步骤①特征图的[H,W]维度进行全局平均池化,生成一个1×1×C的向量z_c，对特征图U实现全局低维嵌入，相当于一个数值拥有该通道的全局感受野；

其中F_sq表示全局平均池化，u_c表示U中第C个通道二维矩阵特征向量，下标c表示通道数，u_c(i,j)是二维矩阵位置为(i,j)的局部特征；

③对步骤②通过两层全连接层完成各个通道的权重分配；

S＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

其中S表示特征图U中C个特征图的权重，F_ex表示两次全连接，δ表示ReLU激活函数，σ表示sigmoid激活函数，W₁和W₂分别是两个全连接层的权值矩阵；

④利用步骤③权重S对特征图U进行权重赋值，得到最终的特征图具体过程是通过权重S与特征图U的对应通道相乘，即特征图U中每个通道的H×W个数值都乘S中对应通道的权值；

其中是第C个通道的特征图，F_scale表示权重赋值，s_c是权重S中第C个通道的权重值；

S4、利用训练并验证好的改进3D-UNet网络模型对肺结节CT图像进行预测，得到图像分割结果。

2.根据权利要求1所述的方法，其特征在于步骤S3中所述编码器中每个3×3Conv层后还经过BatchNorm层、ReLU层和dropout层。

3.根据权利要求1所述的方法，其特征在于步骤S3中所述解码器中每个3×3Conv层后还经过BatchNorm层、ReLU层和dropout层。