[发明专利]一种肺部CT图像的肺结节分割方法

说明书

本发明涉及一种肺部CT图像的肺结节分割方法，包括以下步骤：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；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；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；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。与现有技术相比，本发明将深度学习与语义分割技术相结合，提出一种端到端的语义分割模型，利用语义分割模型中的ResNet‑101骨干网络、上下文信息提取模块和空间信息提取模块，能够自动、快速、准确地从肺部CT图像中分割出肺和肺结节。

技术领域

本发明涉及医学图像处理技术领域，尤其是涉及一种肺部CT图像的肺结节分割方法。

背景技术

据统计，肺癌已经成为最致命的疾病之一，每年死于肺癌的人数已超过170万人，且其死亡率逐年迅速上升，肺癌可以通过检测肺部小结节进而做到早期发现，目前，卷积神经网络(CNNs)在肺CT的检测和分析过程中起到了极大地作用，在医学图像自动分割方面的研究，为了获得较高的分割结果，很多医学图像分割模型选用了经典的语义分割架构，包括U-Net、编解码器架构和全卷积网络。Shaziya等人提出了一种U-Net ConvNet模型用于对肺CT图像进行分割。Nadkarni等人图像经过中值滤波预处理后，对感兴趣的肺部区域进行数学形态学操作，并且利用支持向量机对提取的感兴趣区域进行几何特征计算，将肺分为正常和异常两类。Hassani等人设计了一种基于数学形态学和区域生长算法的二维肺部CT自动分割方法。

常用的U-Net和FCN模型在进行密集预测时，由于级联卷积操作的存在，低层特征图被反复提取，导致信息存在冗余，在医学图像检测分割时，会产生较大的误差。且在CNN网络模型的浅层，特征图集合具有丰富的空间信息，有助于空间细节的预测，但因为接受野太小导致语义信息不足。在网络深层阶段，语义信息充足，能够提供准确的语义预测，但缺乏空间细节。此外，肺结节的异质性以及结节与周围环境存在相似的视觉特征，使得对结节的分割困难。最重要的是，在一些CT图像中，肺结节太多，无法进行整体分割。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种肺部CT图像的肺结节分割方法，以对肺部CT图像进行准确、快速、可靠的肺结节分割处理。

本发明的目的可以通过以下技术方案来实现：一种肺部CT图像的肺结节分割方法，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。

进一步地，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。

进一步地，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。

进一步地，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；