[发明专利]基于改进3D-UNet网络的肺结节分割方法及其系统

说明书

本发明公开基于改进3D‑UNet网络的肺结节分割方法及其系统。本发明将原始的DICOM数据进行数据预处理、数据增强，能够更好的扩充医学图像的数据样本量，可以帮助更好的训练网络模型，提升图像分割效果。通过在3D‑Unet网络中引入压缩激励模块，解决了网络随深度的加深会出现的梯度消失的问题，使得图像特征前向传播时完整保留的信息越来越少的问题得到解决，分割图像更加精确。通过编码器与解码器之间引入残差路径(ResPath)连接，通过一系列卷积层连接来传递编码器特征。这些非线性操作缩小编码器和解码器功能之间的语义差距。

技术领域

本发明属于医学图像处理领域，涉及一种基于改进3D-UNet网络的肺结节分割方法及其系统。

背景技术

肺部CT图像中肺结节体积微小，其形态、亮度等特征与肺实质中的血管等组织相似，仅通过肉眼观察难以将其两者分开。肺结节的分割可以分为传统的肺结节分割方法和深度学习肺结节分割方法。Kostis等采用自适应阈值法将肺结节从肺实质中分离出来，接着利用形态学操作实现了对肺结节轮廓较为精细的分割。Dehmeshki等提出了一种自适应区域生长的肺结节分割方法，该方法在待分割的肺结节区域放置种子点，根据肺结节区域与背景区域对比度不同的特性，自适应地对肺结节进行分割。以上提出的传统肺结节分割方法均依赖于人对于肺结节的先验知识，不同的人对分割初始条件的设定都会影响到最终的分割效果。且随着迭代次数的增加，计算复杂度大大增加，难以满足所有类型结节分割的目的，因此不能满足临床需求。

而近些年基于深度学习的肺结节分割模型广泛应用于计算机视觉领域。2015年，Ronneberger等人提出了U-Net网络模型。该网络通过对图像特征的编码与解码，并融合网络高低层语义特征，应用于医学图像分割中也可以实现较好的分割效果。但是肺结节等医学图像具有边缘模糊、目标区域小等特点，仅仅使用原始U-Net对其训练，存在梯度消失、特征利用率低等问题，最终导致模型的分割准确率难以提高。等人提出一种用于3D医学图像分割的网络，该网络通过对输入的3D图像的连续2D切片序列进行处理来实现对3D图像的分割。Wang等人将空间注意力和通道注意力模块融入到3D-Unet模型中，使单通道与多通道中相似的特征彼此相关，增加特征图的全局相关性以达到提高分割精度的效果；Zhang等人将残差模块和U-Net网络结合形成一个新的Res-Unet网络，以分割胸部CT图像提取肺结节；Zhong等人在U-Net网络中引入密集连接模块，加强网络对特征的传递和利用，同时采用改进混合损失函数缓解类不平衡问题，但是该算法对于较小的肺结节会造成一些错检、漏检的情况。

因此本发明给出了一种融合残差连接路径和压缩激励的3D-UNet网络结构，有效的解决训练过程中梯度消失问题，输出的特征图融合低层特征和高级特征，模型性能得到有效提高，改进的网络拥有更好的对小目标的分割性能。

发明内容

本发明的目的是为了解决现有肺结节分割模型的不足之处，提出了一种融合残差连接路径和压缩激励的3D-Unet网络肺结节分割方法及其系统。

第一方面，本发明提供基于改进3D-UNet网络的肺结节分割方法，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；