[发明专利]基于改进的V-Net网络的肺结节CT图像分割、训练方法及装置

说明书

本发明涉及一种基于改进的V‑Net网络的肺结节CT图像分割方法，其特征在于，包括步骤：获取待分割的肺结节CT图像；将所述肺结节CT图像输入已训练的改进的V‑Net网络模型进行分割，得到分割结果图像；所述改进的V‑Net网络模型包括多层编码层和多层解码层。相对于现有技术，本发明提供一种基于改进的V‑Net网络的肺结节CT图像分割方法充分地利用了特征信息，进一步缓解了梯度消失，能够把握特征细节，对小型结节的检测率高，对血管等干扰像素的抗干扰性强，对空洞部分和粘连区域的分割精度高。

技术领域

本发明涉及肺结节CT图像分割技术领域，尤其是涉及一种基于改进的V-Net网络的肺结节CT图像分割、训练方法及装置。

背景技术

肺癌是由于未被免疫系统发现的不可控制的异常细胞，通过不断的自我复制分裂而形成的肺病变组织引起的，这种肺病变组织被称为肺结节。早期肺癌以肺结节的形式而存在，肺结节是直径小于4厘米的肺内类球状病灶区域，通常这些结节大小不同，位置也不同。早期的检测可大大减少肺癌死亡率，对肺结节的检测主要是通过医学影像技术。对于肺结节的检测，考虑到获取方便、可用性等因素，通常采用CT扫描的方式，对于CT图像的肺结节病灶区域分割，可以通过V-Net模型实现。

请参阅图1，其为V-Net模型的网络结构示意图，该模型的左侧为压缩路径，即编码部分，模型的右侧为解码部分。V-Net模型的编码部分包括多个不同的卷积层，每一层对应一种尺度的分辨率，随着数据沿着压缩路径前进到达不同层，其分辨率成倍减小。V-Net模型的每一层包含1到3次卷积运算，卷积核的大小为5x5x5，同一层的1到3次卷积运算后的输出特征图分辨率相同。V-Net模型在每一层引入了残差学习结构，残差学习结构将该层最后一层卷积得到的输出特征图与上一层下采样后的输出特征图进行相加。V-Net模型在每一层的末端进行下采样操作来获得更大的感受野，经过下采样后，特征图的分辨率变为原来的一半，同时特征图的数量是原来的两倍。V-Net模型利用卷积来实现下采样，在图像分割中，下采样可以减小特征图的分辨率同时保留图像的重要特征。此外，V-Net模型由于采用较大的5x5x5的卷积核，并且共有21次卷积操作，因此感受野较大，模型的拟合能力很强。

然而，V-Net模型的残差学习机制并未充分利用特征图的信息，特征之间的连续性差，忽略了图像本身与目标之间的关系，而肺结节大小差异过大，肺结节的语义特征较为稀疏，存在小型结节检测率低，容易导致肺结节分割的漏检问题，以及低层信息较多，对血管等干扰像素处理能力差，导致肺结节分割的边界不够精准问题，对CT图像中肺结节病灶区域的分割精度低。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于改进的V-Net网络的肺结节CT图像分割方法，能够充分利用特征细节，提高CT图像中肺结节病灶区域的分割精度。

本发明是通过以下技术方案实现的：一种基于改进的V-Net网络的肺结节CT图像分割方法，包括步骤：

获取待分割的肺结节CT图像；

将所述肺结节CT图像输入已训练的改进的V-Net网络模型进行分割，得到分割结果图像；所述改进的V-Net网络模型包括多层编码层和多层解码层，其中第一层所述编码层用于对所述肺结节CT图像进行多次卷积操作，将本层的第一次所述卷积操作得到特征图和最后一次所述卷积操作得到特征图进行相加连接操作，并进行下采样操作；

第二层所述编码层至倒数第二层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层编码层的下采样操作输出的特征图进行相加连接操作，并进行下采样操作；

最后一层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层编码层下采样操作输出的特征图进行相加连接操作，并进行上采样操作；