[发明专利]一种肺部CT图像的肺结节分割方法

权利要求书

1.一种肺部CT图像的肺结节分割方法，其特征在于，包括以下步骤：

S1、获取肺部CT图像数据集，并对肺部CT图像数据集进行数据增强操作；

S2、将数据增强操作后的肺部CT图像数据集划分为训练集和测试集；

S3、基于增强型U-Net结构，构建语义分割模型，利用训练集和测试集对语义分割模型进行训练和测试，得到肺结节分割模型；

S4、将实际待测肺部CT图像输入肺结节分割模型，输出得到对应的肺结节分割图像。

2.根据权利要求1所述的一种肺部CT图像的肺结节分割方法，其特征在于，所述步骤S1中数据增强操作具体是对肺部CT图像进行10°～-10°的随机水平翻转以及进行0.5～2倍的随机缩放。

3.根据权利要求1所述的一种肺部CT图像的肺结节分割方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、将数据增强操作后的肺部CT图像数据集的70％作为训练集、30％作为测试集；

S22、对训练集中的肺部CT图像进行像素级标注。

4.根据权利要求1所述的一种肺部CT图像的肺结节分割方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、构建语义分割模型：设置依次连接的ResNet-101骨干网络、上下文信息提取模块、第一拼接模块、第二拼接模块、第三拼接模块和输出模块，其中，ResNet-101骨干网络还分别连接至第一拼接模块和第二拼接模块，ResNet-101骨干网络通过空间信息提取模块与第三拼接模块连接；

S32、配置模型运行环境，选用随机梯度下降训练方式，并设置训练参数；

S33、将训练集输入构建的语义分割模型，按照设置的训练参数进行模型训练，得到训练好的语义分割模型；

S34、将测试集输入训练好的语义分割模型，若输出结果准确率大于或等于预设的准确度阈值，则该训练好的语义分割模型即为肺结节分割模型，否则返回步骤S33重新进行模型训练。

5.根据权利要求4所述的一种肺部CT图像的肺结节分割方法，其特征在于，所述Res-Net101骨干网络包括5组卷积：第一组卷积r₁含有核尺寸为7×7且个数为64的卷积，卷积步长stride＝2；

第二组卷积r₂含有核尺寸为2×2且步长为stride＝2的池化卷积和3个相同结构的卷积层，每个卷积层有如下结构：conv_{2_1}卷积核尺寸为1×1，且个数为64；conv_{2_2}卷积核尺寸为3×3且个数为64；conv_{2_3}卷积核尺寸为1×1且个数为256；

第三组卷积r₃中含有4个相同结构的卷积层，每个卷积层有如下结构：conv_{3_1}卷积核尺寸为1×1且个数为128，conv_{3_2}卷积核尺寸为3×3且个数为128，conv_{3_3}卷积核尺寸为1×1且个数为512；

第四组卷积r₄中含有23个相同结构的卷积层，每个卷积扩张率rate＝2，卷积步长stride＝1且每个卷积层有如下结构：conv_{4_1}卷积核尺寸为1×1且个数为256，conv_{4_2}卷积核尺寸为3×3且个数为256，conv_{4_3}卷积核尺寸为1×1且个数为1024；

第五组卷积r₅中含有3个相同结构的卷积层，每个卷积扩张率rate＝4，卷积步长stride＝1且每个卷积层有如下结构：conv_{5_1}卷积核尺寸为1×1且个数为512，conv_{5_2}卷积核尺寸为3×3且个数为512，conv_{5_3}卷积核尺寸为1×1且个数为2048。