[发明专利]一种用于新冠肺炎的全自动分割方法

说明书

本发明公开了一种用于新冠肺炎的全自动分割方法，包括实验环境和算法研究两大部分。本发明的实验平台为Linux(Ubuntu 16)操作系统，显卡为NVIDIA GeForce GTX 1080Ti。算法研究主要是对CT图肺部粗分割和对肺炎肿瘤的细分割。整个系统的运行流程为：1.安装Linux操作系统(采用Ubuntu16)，配置Anaconda版本为Ananconda3，python版本为3.6，CUDA版本为10.0，pytorch版本为1.6以及其他所需要的安装包。2.对数据集进行预处理操作，该操作在装有Anaconda环境的pycharm中运行。3.对处理过后的数据集使用nnUNet进行分割。4.对经过训练后输出的图片进行后处理。5.通过评价指标在测试集上对该模型进行评价。该发明的主要目的在于推进智慧医疗，节约人工成本，提前预防疾病，早发现早治疗，从而保证人类健康，推动社会发展。

技术领域

本发明属于智能医学方面，涉及到一种全自动分割技术——新冠肺炎的分割。

背景技术

2019年12月，世界正面临一场全球性的健康危机:一种新型冠状病毒疾病的大流行该病毒在世界范围大面积爆发，引起了全球人民的广泛关注。这种新型冠状病毒被称为SARA-COV-2,也可称之为冠状病毒疾病2019(新冠肺炎)。由于该疾病传播途径颇多、传染能力极强、传播速度极快，截止2021年1月25日，全球累计病例已达99742889例，其中累计死亡达2135750例。这对全球人类的健康构成了极大的威胁。因此，及早发现新冠肺炎病例的危险因素不仅对治愈患者至关重要，也对防护该类疾病意义重大。

然而由于医学图像本身的不规则性，而且人体肺部结构复杂，其组织位置之间重叠交错，与自然图像相比，肺部图像更加复杂。医学图像的像素值范围与自然图像(0~255)有很大的区别，CT图都会上千。再者，噪声与肿瘤图像的非噪声区域很难通过灰度值进行区分。传统的肺炎分割方法需要有经验的医生手动地进行识别，标注，分割，耗时耗力，再加上不同的医生对数据集的标注存在一定的主观经验判断，标准不统一、可再现性非常差。综上所述，建立一个精度较高的全自动的分割算法，无论是对人类的健康还是智能医疗的推进都具有极大的意义。

发明内容

基于深度学习的UNet算法对医学图像分割有巨大优势，本发明提供一种基于Unet的nnUNet全自动医学图像分割系统，以解决现有算法中训练速度缓慢，训练过程困难，训练结果精度较低的问题。其具体方案如下：

第一方面，本申请实例提供了一种全自动肺炎分割方法，包括：

在kaggle上获取数据集。

搭建Pytorch，TensorFlow框架，和CUDA,cudnn并行计算框架。

该系统首先对输入的图片进行预处理，预处理主要包括数据归一化、阈值分割、图像增强、图像去噪。该过程主要是为后续训练提供准备。

在训练模型之前，将系统所需的环境搭建好，测试无误后即可开始训练。主要过程是将预处理过后的数据集送入nnUNet网络中开始训练。

最后经过网络训练的图片通过形态学的方法进行后处理，使得输出图片的边缘更加平滑。

第二方面，本申请实例提供了一种自动肺炎分割系统，包括：

实验环境：本发明的实验平台为Linux(Ubuntu 16)操作系统，显卡为NVIDIAGeForce GTX 1080Ti。

算法研究：主要是对CT图肺部粗分割和对肺炎肿瘤的细分割。