[发明专利]基于肺部非均匀池化的新冠肺炎CT图像处理方法

说明书

本发明公开了一种基于肺部非均匀池化的新冠肺炎CT图像处理方法，包括以下步骤：S1、基于FPN的全自动肺分割算法；S2、双肺中心线的识别；S3、肺部池化操作；S4、基于肺部池化的卷积神经网络。针对传统的卷积神经网络使用均匀的池化层，在进行CT图像分类时不能对肺内的重要区域进行重点关注，对肺内特征和病灶特征挖掘不够，本方法则提出了肺部池化层，在卷积神经网络进行池化时将肺部区域的特征进行放大，对肺外的区域进行压缩，排除冗余特征，强化肺内图像信息，提高了新冠肺炎CT图像处理方法精度，同时不依赖任何人工标注图像，提高了算法的实用性。

技术领域

本发明涉及一种医疗技术，尤其涉及一种基于肺部非均匀池化的新冠肺炎CT图像处理方法。

背景技术

核酸检测作为新冠肺炎诊断的金标准，存在假阴性高、对试剂盒稳定性要求高、测试时间较长等缺点。通过CT图像进行新冠肺炎诊断可提高诊断的敏感度，实现快速的新冠肺炎诊断，而CT图像处理方法对CT图像处理方法精度具有重要意义。现有的基于卷积神经网络的CT图像分类算法存在以下两点不足：1）依赖人工或半自动的病灶分割，需要从CT图像中分割出病灶组织，再进行分类诊断。由于炎症区域在肺内分布较广且形态变化大，人工分割病灶区域耗时且存在主观差异，而半自动分割算法难以保证将所有炎症区域都正确分割出来。2）传统的卷积神经网络使用最大值池化或均值池化这种均匀的池化操作，这种方式忽略了图像的空间位置信息，对于肺内区域和肺外的无关区域都同等对待，在池化过程中造成了肺内信息的丢失和肺外无关信息的干扰。

由此可见，需要一种全自动的图像分析方法，可不依赖人工标注数据，且可对肺内所有的验证区域进行分析，还需要一种可考虑图像中空间位置信息的池化方式，对肺内区域保留更多特征，对肺外的无关区域保留较少的特征以减少噪声干扰。

对于现有技术中存在的上述问题，本发明人发现，当将采用基于加入肺部非池化处理DenseNet构建的特征金字塔全卷积网络FPN运用到新冠肺炎CT图像处理中时，能够很好地克服现有的基于其他卷积神经网络的CT图像分类算法的不足，取得了预料不到的效果。相较于其他卷积神经网络，DenseNet是一种具有密集连接的卷积神经网络。在该网络中，任何两层之间都有直接的连接，也就是说，网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给其后面所有层作为输入，这使得DenseNet的参数量较其他模型大大减少，而在此基础上再加入肺部非均匀池化处理能够更进一步提高模型精度。

将加入肺部非池化处理的DenseNet运用于新冠肺炎CT图像处理在基于深度学习神经网络的特征提取模型对CT图像进行处理的领域尚属首创。

发明内容

本发明的目的是提供一种基于肺部非均匀池化的新冠肺炎CT图像分析方法，不依赖人工标注图像，可全自动的从CT图像中分割出肺区域，再自动识别出左右双肺的中心线，然后构建卷积神经网络，通过肺部池化操作逐步放大肺内的信息，去除肺外的无关信息，从而对全肺CT图像进行全自动的图像分析，以实现对新冠肺炎CT图像的高精确诊断。采用该CT图像分析方法，可实现全自动的辅助诊断，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人力劳动。

为实现上述目的，本发明提供了一种基于肺部非均匀池化的新冠肺炎CT图像分析方法，包括以下步骤：

S1、基于特征金字塔全卷积网络FPN的全自动肺分割算法：

构建基于DenseNet的特征金字塔全卷积网络FPN，从新冠肺炎CT图像中全自动地分割出肺部区域；

S2、双肺中心线的识别：

在通过步骤S1全自动地从新冠肺炎CT图像中分割出肺区域后，首先，对分割出的肺区域图像进行连通域筛选，得到分别对应于左肺和右肺的连通域1和连通域2，然后，分别检测连通域1和连通域2的最小横坐标a1和b1，最大横坐标a2和b2，进而得到左肺的中心线ac=a1+(a2-a1)/2和右肺的中心线bc=b1+(b2-b1)/2；