[发明专利]基于REMU-Net的肺结节CT图像分割算法

说明书

本发明提出了基于REMU‑Net的肺结节CT图像分割算法，包括：收集肺部CT图像，对图像进行预处理，提取肺实质以及感兴趣划分，预处理后将数据划分为训练集、验证集以及测试集，对训练集进行线上数据增强；在U‑Net基础上提出了REMU‑Net，在ResNeSt块的Split‑Attention块中引入空间注意模块形成ResNeSt‑SAM块，利用ResNeSt‑SAM块构成的编码器进行特征提取，随后通过基于空洞空间金字塔池化模块构成的特征增强模块，获得了更丰富的语义信息，接着利用多尺度跳跃连接进行多尺度特征的融合，最后通过解码器逐渐恢复特征图的尺寸，输出分割肺结节的预测结果。本发明采用REMU‑Net算法，大幅度提高了肺结节的分割精度，为医生接下来的诊断提供了有力的支持。

技术领域：

本发明属于深度学习医学影像分割技术领域，具体涉及一种基于REMU-Net的肺结节CT图像分割算法。

背景领域：

肺癌的发病率和死亡率很高。通过CT对肺部结节进行早期筛查可以降低20％的肺癌死亡率。然而，肺结节在CT图像上看起来很小，其形态、亮度和其他特征与肺实质中的血管和其他组织相似，使得视觉检查不足以区分它们。目前，肺结节的分割可以通过计算机视觉技术来解决，但分割结果不佳将直接影响医生下一步的诊断。因此，如何提高肺结节的分割精度，将是值得研究的问题。

许多研究者利用深度学习技术解决上述问题，近年来，U-Net在医学图像分割中表现出优异的性能，但在分割肺部结节时，它不能准确地分割尺寸较小的结节。为了使其更准确地分割CT图像中的肺部结节，基于U-Net提出了REMU-Net。首先，将最先进的ResNet变体ResNeSt作为U-Net的主干，并在ResNeSt的Split-Attention块中引入空间注意模块，使网络能够提取更多样、更有效的特征。其次，在U-Net中引入了基于空洞空间金字塔池化模块(ASPP)的特征增强模块，利用它来获得更丰富的语义信息。最后，用多尺度的跳过连接取代U-Net的跳过连接，克服了解码器子网只能接受同尺度特征信息的限制。

发明内容：

为提高分割小尺寸肺结节的准确性，本发明提供一种基于REMU-Net的肺结节CT图像分割算法，提高了肺结节分割方面的性能并且减少了漏判和假阳性的概率，为了达到上述目的，包括以下步骤：

1.基于REMU-Net的肺结节CT图像分割算法，其特征在于：所述方法具体过程为：

步骤1.制作肺结节CT图像数据集，并通过数据预处理程序划分出不同比例的训练集、测试集和验证集；

步骤2.用步骤一中划分得到的训练集对网络模型进行训练，将肺结节CT图像输入到改进的ResNeSt块进行特征提取，共经过14个改进的ResNeSt块，获得深层特征；

步骤3.将获得的深层特征送入改进的空洞空间金字塔模块，主要将空洞空间金字塔模块输出的特征与原输入特征1:1合并，从而在保留了原深层特征外获得了多尺度信息；

步骤4.利用多尺度跳跃连接融合各解码器子网的特征，接着将步骤三获得的特征上采样，与融合后的特征合并，接着通过两个3*3卷积层获得新的特征，接着重复上述操作三次，最后使得输出的特征图与输入尺寸相同，即输出的特征图为肺结节CT图像分割预测分割结果；

步骤5.利用验证集对模型的超参数进行调整，确定最佳超参数后，利用测试集对模型的分割性能进行评估；

优选的，本发明基于REMU-Net的肺结节CT图像分割算法，使用ResNeSt-SAM块作为主干网络，增加了网络获得特征的多样性和有效性，提高了网络的鲁棒性及分割性能。

优选的，步骤一中，使用收集到的医学图像数据集，并由专业医生对肺结节进行标注，随后利用预处理程序，对CT图像进行肺实质提取以及感兴趣区域划分等，制作成网络的输入数据。