[发明专利]一种多尺度肺叶分割方法、系统、存储介质及电子设备

说明书

本发明公开了一种多尺度肺叶分割方法、系统、存储介质及电子设备，涉及肺叶分割领域。该方法包括：步骤1，获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；步骤2，通过深度卷积神经网络，建立多尺度特征下的分割模型；步骤3，将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；步骤4，根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。本发明能够解决没有考虑到多尺度肺叶CT图像的特征问题，达到既能够保证全局分割效果，同时保证高分辨率下分割的精确性的效果。

技术领域

本发明涉及肺叶分割领域，尤其涉及一种多尺度肺叶分割方法、系统、存储介质及电子设备。

背景技术

一般语义分割的输出结果都是一张与原图大小相同的代表各个类别的概率图，取相同位置最大概率所在的类别作为被分割像素的类别，因此常见的分割模型都只在最后特征上采样到跟原图大小后再进行损失计算，但是我们知道，在卷积神经网络中越深层的特征，即下采样越多的层，拥有的感受野越大，越能感受全局信息，而浅层特征，即经过多次上采样的层，更能够感受局部信息，而现有的肺叶分割方案都只考虑了在同一个尺度下做肺叶分割，没有考虑到多尺度肺叶CT图像的特征。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种多尺度肺叶分割方法、系统、存储介质及电子设备。

本发明解决上述技术问题的技术方案如下：一种多尺度肺叶分割方法，包括：

步骤1，获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；

步骤2，通过深度卷积神经网络，建立多尺度特征下的分割模型；

步骤3，将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；

步骤4，根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。

本发明的有益效果是：通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。

进一步，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。

采用上述进一步方案的有益效果是，根据插值以及缩放处理，将处理结果输入至模型中可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。

进一步，根据所述概率图进行损失l计算，具体公式为：

其中，M表示类别数，y_c是一个one-hot向量，P_c表示预测样本属于c的概率。

进一步，步骤4还包括：

将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：

其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。

本发明解决上述技术问题的另一种技术方案如下：一种多尺度肺叶分割系统，包括：