[发明专利]一种轻量化网络的肺部影像分割模型及方法

权利要求书

1.一种轻量化网络的肺部影像分割模型，其特征在于：

包括解码部分和编码部分；

所述编码部分包括：两个改进的反向残差深度可分离模块和两个Maxpooling层，用于对输入的图像进行特征提取；

编码部分提取的特征图经空洞空间金字塔池化层后送入到解码部分；

解码部分包括两个改进的反向残差深度可分离模块和两个Up上采样层；用于对将编码部分提取的特征图进行上采样恢复后经过1×1的卷积层后输出。

2.如权利要求1所述的一种轻量化网络的肺部影像分割模型，其特征在于：所述分割模型还包括注意门AG层，所述注意门AG层基于编码部分的高级特征图对解码部分的高级特征图进行补偿。

3.如权利要求1或2所述的一种轻量化网络的肺部影像分割模型，其特征在于：解码部分的两个卷积层和两个Maxpooling层分别为：第一卷积模块、第一下采样模块、第二卷积模块、第二下采样模块；

输入端Input输入影像图片送入到第一卷积模块，第一卷积模块处理后送入到下采样模块进行下采样后送入到第二卷积模块，第二卷积模块处理后送入到第二下采样模块进行下采样处理。

4.如权利要求3所述的一种轻量化网络的肺部影像分割模型，其特征在于：解码部分包括两个卷积层和两个Up上采样层分别为：第三卷积模块、第四卷积模块、第一上采样模块、第二上采样模块，经空洞空间金字塔池化层后的特征图送入到第一上采样模块进行上采样操作后送入到第三卷积模块进行处理后在送入到第二上采样模块进行上采样处理，然后送入到第四卷积模块进行处理后完成解码过程。

5.如权利要求3或4所述的一种轻量化网络的肺部影像分割模型，其特征在于：卷积层对应的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块均为改进的反向残差深度可分离模块，改进的反向残差深度可分离模块包括：两对深度卷积(depthwiseconvolution)和逐点卷积(pointwise convolution)的组合加上1×1卷积残差连接。

6.如权利要求1-5任一所述的一种轻量化网络的肺部影像分割模型，其特征在于：空洞空间金字塔池化层包括四个卷积层和一个池化层，分别对输入的图像进行五次处理：第一次处理是输入图像经过1×1×64的卷积操作后加上BN操作后得到了第一个特征图，第二次到第四次的处理是输入图像经过3×3×64的卷积并加上BN操作，得到第二至第四个特征图；第五次处理是对输入图像进行全局平均池化处理得到第五次特征图，将五次处理的特征图堆叠在一起，经过1×1卷积降维处理后得到空洞空间金字塔池化层处理后的特征图送入到解码部分；

第二至第四个中，三个卷积层均采用深度可分离卷积进行卷积操作。

7.如权利要求1-5任一所述的一种轻量化网络的肺部影像分割模型，其特征在于：在解码部分中，空洞空间金字塔池化层模块输出的高级特征图和第二卷积模块输出的低级特征图通过注意门AG层补偿后送入到第三卷积模块中进行处理；

第二上采样模块输出的高级特征图和第一卷积模块输出的低级特征图通过注意门AG层补偿后得到的特征图送入到第四卷积模块，再经过1×1的卷积层后输出。

8.如权利要求7所述的一种轻量化网络的肺部影像分割模型，其特征在于：注意门AG层补偿包括：将解码阶段的高级特征图g与对应的编码阶段的低级特征图x^l通过1×1卷积进行处理，使得两个特征图有同样的尺寸和通道数，然后两者相加后得到的特征图送入到ReLu激活函数层进行处理后再送入到Ψ的1×1卷积通道数变为1；运算公式包括：

之后利用sigmoid函数和双线性插值的重采样恢复与x^l相同的特征图大小，生成注意力系数表，公式如下：

最后输入特征(x^l)通过在AG中计算的注意系数(α)进行相乘，此时目标区域的值就会变大，从而抑制无关区域，得到新的浅层特征图

9.一种轻量化网络的肺部影像分割方法，其特征在于：所述分割方法包括：

建立肺部影像分割模型；所述模型为如权利要求1-8任一所述的轻量化网络的肺部影像分割模型；

对建立的肺部影像分割模型进行训练；

采用训练完成的肺部影像分割模型进行肺部影像分割，输入待分割处理的肺部医学影像至肺部影像分割模型中，获取模型的输出即为肺部影像分割结果。