[发明专利]一种轻量化网络的肺部影像分割模型及方法

说明书

本发明公开了一种轻量化网络的肺部影像分割模型，包括解码部分和编码部分；所述编码部分包括：两个卷积层和两个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；解码部分包括两个卷积层和两个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。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。本发明的优点在于：1、大大降低了网络模型的计算量和参数量，减少了不必要的算力消耗；2、提高了网络模型的精确度，保证模型的分割效果。

技术领域

本发明涉医学图像处理领域，尤其涉及一种新型架构的轻量化网络模型在肺部图像的一种分割方法。

背景技术

肺部影像的分割对肺部疾病的诊断有着重要的作用。在图像处理领域中，传统的分割方式需要专业医生的手动分割，耗时耗力。随着计算机视觉的发展，深度学习方法的智能分割成为了图像处理领域研究的热点话题。FCN全卷积网络是最早也是经典的编解码结构，但是先池化再上采样的操作虽然能恢复部分空间信息，但仍然有少量信息难以恢复。之后的U-Net网络也是由全卷积网络改进发展而来。当时它独特的解编码和跳跃连接结构在小样本性的医学图像分割上是最佳模型之一。

但是在现实世界中，U-Net网络模型却很难应用。首先U-Net模型本身需要消耗大量的计算资源。而计算力可以直接转化为电力消耗，从环境和经济角度考虑，最小化电力的消耗应该是我们追求的目标。这就引出了一个问题:为什么我们要在浪费计算资源，将一个不必要的计算昂贵的模型应用到简单的图像上呢？理想情况下，当图像简单时我们应该使用小型网络，而当图像复杂时应该使用大型网络。而肺部的医学图像是一种简单的图像，它所包含的内容和信息远远不如自然图片，所以应该使用参数量和计算量较少分割模型。再者在肺部图像分割中，模型的分割的精确度是最主要的评价指标，虽然U-Net在图像分割领域有不错的表现，但是其不能够很高的适应肺部医学图像的分割。

发明内容

本发明的目的在于克服现有技术的不足，提供一种轻量化网络的肺部影像分割模型及方法，解决现有技术的U-Net网络模型进行肺部图像分割存在的计算量大、计算效率低的缺陷，提供新的轻量化网络可以实现尽可能地简化网络，降低网络模型复杂度，减少模型所需的参数量和计算量，提升网络的计算效率。

为了实现上述目的，本发明采用的技术方案为：一种轻量化网络的肺部影像分割模型，包括解码部分和编码部分；

所述编码部分包括：两个卷积层和两个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；

解码部分包括两个卷积层和两个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。

所述分割模型还包括注意门AG层，所述注意门AG层基于编码部分的低级特征图对解码部分的高级特征图进行补偿。

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。

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。