[发明专利]一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法

说明书

本发明公开了一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法，包括以下步骤：S1、以ResNet50作为基础网络构建FPN模型实现病灶分割；S2、提出病灶加权损失函数对模型进行训练；S3、利用人工标注的图像对分割模型进行训练；S4、利用训练好的模型实现新冠肺炎病灶的自动分割图像处理。本发明提出基于病灶加权损失函数对分割模型进行训练。该损失函数可对病灶的中心实变区域和边缘区域分别考虑，使模型训练时重点注重对病灶边缘区域的分割，保证对病灶边缘区域的分割精度，进而提升整体的病灶分割精度。

技术领域

本发明涉及一种医疗技术，尤其涉及一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法。

背景技术

突发的新冠肺炎疫情在全球范围内造成了大量的感染和死亡病例，给全球经济造成了巨大损失。在对新冠肺炎患者的监控和治疗过程中，分析患者CT影像中病灶面积的变化对于病情和治疗风险的评估具有重要意义。若通过人工勾画的方式分割CT影像中的病灶，则容易受到不同勾画者主观因素的影响，且薄层CT切片数量较大，消耗大量人力物力。因此，研究全自动的病灶分割图像处理方法对于新冠肺炎病情监控和分析具有重要意义。

现有的基于深度学习的图像分割算法存在以下不足：1)基于区域生长等半自动分割算法依赖用户的交互，如设置种子点等操作，用户使用时工作量较大且速度较慢；2)在进行病灶分割时，病灶中心处的实变组织分割难度较低，但病灶边缘处灰度变化不明显的区域和病灶与肺壁的粘连区域分割难度较大。传统的深度学习方法通常使用Dice系数和交叉熵等损失函数，只考虑了对病灶分割的整体精度，对于病灶边缘处分割难度大的区域未能重点关注，导致分割模型对病灶边缘分割精度低。

因此，需要一种全自动的图像处理分析方法，可不依赖人工交互，且可对病灶的不同位置赋予不同权重，重点关注病灶边缘处难以分割的区域，进而提升全自动病灶分割图像处理的效果。

发明内容

本发明的目的是提供一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法。在模型训练时，可针对病灶不同区域自适应的进行加权，对病灶中心处容易分割的实变组织赋予较小的权重，对病灶边缘处分割难度大的区域赋予较大的权重，最终实现全自动、高精度的病灶分割图像处理，方便推广应用，避免人工勾画感兴趣区域造成的主观性差异和耗费的人力劳动。

为实现上述目的，本发明提供了一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法，包括以下步骤：

S1、构建基于ResNet50的特征金字塔全卷积网络FPN实现病灶分割：

构建基于ResNet50的特征金字塔全卷积网络FPN，从CT影像中全自动地分割出新冠肺炎病灶；

S2、提出病灶加权损失函数对模型进行训练：

在对分割模型进行训练时，使用基于交叉熵损失函数进一步改进得到的病灶加权损失函数，对病灶中心和病灶边缘分别考虑，通过自适应的权重计算公式，加大病灶边缘区域产生的损失，使模型重点关注病灶边缘处难以分割的区域；

S3、利用人工标注的图像对分割模型进行训练：

人工标注CT影像中的新冠肺炎病灶，构建训练集，使用步骤S2中的损失函数对步骤S1所构建的分割模型进行训练；

S4、利用训练好的模型实现新冠肺炎病灶的自动分割图像处理：

在训练好分割模型后，利用训练好的模型实现全自动的新冠肺炎病灶分割图像处理，测试时，将连续的3张CT切片组合成3通道图像，送入训练好的分割模型，即可快速的得到新冠肺炎病灶的分割图像处理结果。