[发明专利]一种基于UNet的肺部X光图像分割方法

说明书

本发明公开了一种基于UNet的肺部X光图像分割方法，包括：对Kaggle数据集中肺部X光图像进行预处理获得训练集；利用迁移学习及添加残差块的方法构建改进UNet框架；将步骤1得到训练样本和Kaggle数据集中肺部X光分割图像作为改进UNet的输入数据，训练改进UNet分割模型；将待分割的肺部X光图像测试数据引入训练好的改进UNet模型，得到分割后的结果；将分割后的结果做后期处理，得到最终分割结果。实验结果表明，本发明能够有效地解决肺部X光图像的分割问题，获得了比基于UNet的肺部X光图像分割方法准确度更高的分割方法，可进一步应用于其他医学X光图像分割。

技术领域

本发明属于图像分割领域，涉及适用于肺部X光图像分割，可用于医学图像分割、肺部疾病识别等领域。

背景技术

近年来，随着人计算机性能不断完善，深度学习逐渐成为常见的图像处理手段。深度学习可以应用于医学图像分割和识别领域中，较医生经验判断而言，具有更高的识别准确度，成为当前研究的热点。肺炎是比较常见的肺部疾病，多发病于儿童当中，而肺部图像分割是肺炎识别技术中一个主要步骤，分割的效果直接影响后续识别的准确度。

在实际应用中，肺部X光图像中的肺实质与背景之间的对比度不高、仪器拍摄过程中会产生噪声都会对肺部X光图像分割和识别产生影响。虽然有很多深度学习网络可以解决图像分割、识别和分类等问题，且均获得了显著成效，但应用于肺部X光图像分割领域的方法很少，此外公开的肺部X光图像数据集较小，都加大了肺部分割和肺部疾病识别的难度。在医学图像分割领域，UNet分割模型是常用的分割方法，加入跳跃连接的连接方式提高了模型分割准确度，此外，UNet对输入图片尺寸的包容性很强，是很好的图像分割方法。

发明内容

本发明提供一种基于UNet的肺部X光图像分割方法，在保留UNetU型结构的基础上，通过使用迁移学习、改变卷积方式及添加并行残差块的方法，提高肺部X光图像的分割准确度。

为解决上述技术问题，本发明的技术方案如下：

一种基于UNet的肺部X光图像分割方法，包括以下步骤：

S1，对Kaggle数据集中肺部X光图像进行预处理获得训练集；

S2，利用迁移学习、改变卷积方式及添加残差块的方法构建改进UNet框架；

S3，将步骤S1得到训练样本和Kaggle数据集中肺部X光分割图像作为改进UNet的输入数据，训练改进UNet分割模型；

S4，将待分割的肺部X光图像测试数据引入训练好的改进UNet模型，得到分割后的图像；

S5，将分割后的结果做后期处理，得到最终分割结果。

优选地，步骤S1中利用图像边缘填充、高斯滤波、限制对比度的区域直方图均衡化(CLAHE)及数据增强的方法对原始的肺部X光图像进行预处理，预处理方法具体为：

A1，根据图像的长度和宽度，将原始肺部X光图像和对应标签图像扩充为正方形图像具体为：

当原始肺部X光图像的长度与宽度不同时，通过添加像素值为0的像素点，使得图像的宽度和长度相同，从而获得边缘填充后的肺部X光图像和与其对应的标签图像；

A2，将A1中处理后的原始肺部图像做高斯滤波，获得去噪后的肺部X光图像，其中高斯核为标准差为1，大小为3×3的高斯模板矩阵；

A3，将A2中处理后的图像做CLAHE，获得对比度较高的肺部X光图像，其中图像划分的小区域数为8×8，修剪限制度为图像所有像素点的像素值累加和的2％；

A4，将A3中处理后的肺部X光图像与A1中处理后的标签图像做数据增强具体为：