基于特征融合深监督U-Net的新冠肺炎病灶分割方法技术

本发明专利技术涉及医学图像分割技术领域，提供一种基于特征融合深监督U‑Net的新冠肺炎病灶分割方法，包括：步骤1：获取初始样本集；步骤2：对初始样本集进行预处理；步骤3：获取训练样本集与验证样本集；步骤4：对训练样本集进行数据增广；步骤5：搭建基于特征融合深监督U‑Net的胸部CT影像中COVID‑19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支，特征融合块添加在不同层级的跳跃连接间，深监督分支添加在解码器部分；步骤6：训练分割模型；步骤7：对待分割的胸部三维CT扫描图像进行分割。本发明专利技术能够实现胸部CT中COVID‑19病灶区域的自动分割，提高分割的准确性、快速性。

【技术实现步骤摘要】
基于特征融合深监督U-Net的新冠肺炎病灶分割方法
本专利技术涉及医学图像分割
，特别是涉及一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法。
技术介绍
2019年末开始在全球范围内爆发新型冠状病毒(COVID-19)疫情，截止2021年2月26日全球确诊人数已经破亿。一方面，每个疑似病例都需要通过RT-PCR检测进行确认，虽然RT-PCR是诊断的金标准，但是该过程非常耗时，且诊断的假阴性很高。另一方面，COVID-19患者的胸部CT扫描通常会在肺部两侧出现斑片状毛玻璃影，由于该特征的高敏感性，已被用作COVID-19筛查的重要补充指标。胸部CT检查在对住院的COVID-19患者进行随访评估中也发挥着重要的作用。由于该病的病情变化迅速，一般每3-5天进行后续CT扫描以评估治疗反应。虽然CT提供了丰富的病理信息，但由于缺乏计算机工具来准确量化病灶区域及其纵向变化，在影像学报告中只能提供定性评估，随诊CT扫描的细微变化往往被忽略。因此需要对胸部CT病灶区域进行定量评估，而手工绘制病灶区域的轮廓是一项繁琐且费时的工作，且受到医生个人水平和经验的影响，难以准确统一地反映病灶区域的边界，故迫切需要一种对胸部CT中COVID-19病灶区域进行自动分割的工具。近年来，深度卷积神经网络的研究取得一定突破，可以有效应用于图像处理领域。其中U-Net因为在各项分割任务中表现出的优秀效果成为医学图像分割领域的基准方法。但该结构只利用了单层的单尺度特征，而不同层次特征的重要性对于不同的数据是不一样的。r>
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法，能够实现胸部CT中COVID-19病灶区域的自动分割，提高分割的准确性、快速性。本专利技术的技术方案为：一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于：包括下述步骤：步骤1：获取初始样本集收集确诊为COVID-19的多名患者的胸部三维CT扫描图像，对胸部三维CT扫描图像中COVID-19病灶区域位置进行标注，对胸部三维CT扫描图像进行切片处理，并筛选掉不含有COVID-19病灶的切片，将每名患者的筛选后剩下的所有切片及各切片对应的标注数据作为一个初始样本，得到初始样本集；步骤2：对初始样本集进行预处理步骤3：获取训练样本集与验证样本集从预处理后的样本集中选取M个样本构成训练样本集、剩下的样本构成验证样本集；步骤4：对训练样本集进行数据增广；步骤5：搭建分割模型搭建基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支，所述特征融合块添加在不同层级的跳跃连接间，所述深监督分支添加在解码器部分；步骤6：训练分割模型利用数据增广后的训练样本集、验证样本集对搭建好的分割模型进行训练和选择，得到最优分割模型；步骤7：对待分割的胸部三维CT扫描图像进行切片处理，对所有切片进行预处理，将预处理后的所有切片输入所述最优分割模型并得到分割结果，对分割结果进行双线性插值上采样以恢复至原始大小，将该待分割的胸部三维CT扫描图像的所有切片的恢复至原始大小的分割结果按照位置关系合并为三维数据。进一步的，所述步骤2包括下述步骤：步骤2.1：对所有切片以[-1200，600]的HU值范围进行调窗处理；步骤2.2：对调窗处理后的所有切片进行最大最小归一化处理；步骤2.3：对归一化处理后的所有切片和标注数据进行均值下采样，将每个切片及对应的标注数据的大小由512*512缩小至256*256。进一步的，所述步骤4中，对训练样本集进行数据增广的方法为随机在线增广方法，具体为：每代训练中训练样本在输入模型进行训练前都会进行随机旋转、随机弹性形变、镜像、随机强度变化、保持原样中的一种。进一步的，所述步骤5中，所述编码器中第一层级包括依次相连的a1个卷积单元、第二层级包括依次相连的a2个残差单元、第三层级包括依次相连的a3个残差单元、第四层级包括依次相连的a4个残差单元、第五层级包括依次相连的a5个残差单元；所述解码器中第一层级包括依次相连的b1个卷积单元、第二层级包括依次相连的b2个残差单元、第三层级包括依次相连的b3个残差单元、第四层级包括依次相连的b4个残差单元。进一步的，所述步骤5中，所述特征融合块包括编码器中每一层级的特征图在进行跳跃连接前与前面所有层级的特征图进行相加融合；所述深监督分支包括在解码器中除原来具有输出分支的第一层级外的其他三个层级各添加一个输出分支。进一步的，所述特征融合块中，先使用卷积单元将浅层的特征图下采样到与待融合特征图相同的大小，再通过残差单元对下采样后的特征图进行调整，将经残差单元调整后的特征图与待融合特征图以像素级相加的形式进行融合，最后通过原本的跳跃连接传递到解码器部分。进一步的，所述深监督分支中的每个输出分支包括依次连接的转置卷积层、sigmoid激活函数层，先使用转置卷积层将经过所在层级解码器后的图像还原至输入的原始大小，并将图像通道数调整为1，再使用sigmoid激活函数层对图像进行归一化处理。进一步的，所述卷积单元按照向前传播的方向包括卷积层、批规范化层、线性整流函数层，卷积层中的卷积核大小、步长取决于下采样的倍数；所述残差单元的结构为在两个卷积单元串联的基础上添加残差连接，所述残差连接为第二个卷积单元的批规范化层与输入按权加和后再与第二个卷积单元的线性整流函数层连接。进一步的，所述步骤6中，模型训练过程中，采用四个输出分支的加权DiceLoss作为网络的损失函数，根据验证集表现调整学习率和选择最终模型。本专利技术的有益效果为：本专利技术在U-Net网络的基础上添加残差连接，在不同层级的跳跃连接间添加特征融合块实现不同跳跃连接路径上多尺度特征的融合，在解码器部分添加额外的深监督分支实现对融合后的多尺度特征的强制学习，使构建的深度学习网络有效地学习到了不同尺度的特征，能够实现胸部CT中COVID-19病灶区域的自动分割，且提高分割的准确性、快速性，解决了U-Net网络没有对各层级不同尺度特征进行充分利用的问题，分割结果可以作为COVID-19筛查的重要补充指标，同时可以为患者的随访评估提供必要的量化信息，提高诊断的准确性、客观性和可靠性，提高医生的工作效率。附图说明图1为本专利技术的基于特征融合深监督U-Net的新冠肺炎病灶分割方法的流程图。图2为具体实施方式中本专利技术的基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型的网络结构示意图。图3为具体实施方式中本专利技术的基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型中特征融合方式的示意图。图4为具体实施方式中本专利技术的基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区本文档来自技高网...

【技术保护点】
1.一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于：包括下述步骤：/n步骤1：获取初始样本集/n收集确诊为COVID-19的多名患者的胸部三维CT扫描图像，对胸部三维CT扫描图像中COVID-19病灶区域位置进行标注，对胸部三维CT扫描图像进行切片处理，并筛选掉不含有COVID-19病灶的切片，将每名患者的筛选后剩下的所有切片及各切片对应的标注数据作为一个初始样本，得到初始样本集；/n步骤2：对初始样本集进行预处理/n步骤3：获取训练样本集与验证样本集/n从预处理后的样本集中选取M个样本构成训练样本集、剩下的样本构成验证样本集；/n步骤4：对训练样本集进行数据增广；/n步骤5：搭建分割模型/n搭建基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支，所述特征融合块添加在不同层级的跳跃连接间，所述深监督分支添加在解码器部分；/n步骤6：训练分割模型/n利用数据增广后的训练样本集、验证样本集对搭建好的分割模型进行训练和选择，得到最优分割模型；/n步骤7：对待分割的胸部三维CT扫描图像进行切片处理，对所有切片进行预处理，将预处理后的所有切片输入所述最优分割模型并得到分割结果，对分割结果进行双线性插值上采样以恢复至原始大小，将该待分割的胸部三维CT扫描图像的所有切片的恢复至原始大小的分割结果按照位置关系合并为三维数据。/n...

【技术特征摘要】
1.一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于：包括下述步骤：
步骤1：获取初始样本集
收集确诊为COVID-19的多名患者的胸部三维CT扫描图像，对胸部三维CT扫描图像中COVID-19病灶区域位置进行标注，对胸部三维CT扫描图像进行切片处理，并筛选掉不含有COVID-19病灶的切片，将每名患者的筛选后剩下的所有切片及各切片对应的标注数据作为一个初始样本，得到初始样本集；
步骤2：对初始样本集进行预处理
步骤3：获取训练样本集与验证样本集
从预处理后的样本集中选取M个样本构成训练样本集、剩下的样本构成验证样本集；
步骤4：对训练样本集进行数据增广；
步骤5：搭建分割模型
搭建基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支，所述特征融合块添加在不同层级的跳跃连接间，所述深监督分支添加在解码器部分；
步骤6：训练分割模型
利用数据增广后的训练样本集、验证样本集对搭建好的分割模型进行训练和选择，得到最优分割模型；
步骤7：对待分割的胸部三维CT扫描图像进行切片处理，对所有切片进行预处理，将预处理后的所有切片输入所述最优分割模型并得到分割结果，对分割结果进行双线性插值上采样以恢复至原始大小，将该待分割的胸部三维CT扫描图像的所有切片的恢复至原始大小的分割结果按照位置关系合并为三维数据。


2.根据权利要求1所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述步骤2包括下述步骤：
步骤2.1：对所有切片以[-1200，600]的HU值范围进行调窗处理；
步骤2.2：对调窗处理后的所有切片进行最大最小归一化处理；
步骤2.3：对归一化处理后的所有切片和标注数据进行均值下采样，将每个切片及对应的标注数据的大小由512*512缩小至256*256。


3.根据权利要求1所述的基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于，所述步骤4中，对训练样本集进行数据增广的方法为随机在线增广方法，具体为：每代训练中训练样本在输入模型进行训练前都会进行随机旋转、随机弹性形变、镜像、随机强度变化、保持原样中的一种。


4.根据权利要求1所述的基于特征融合深...

【专利技术属性】
技术研发人员：曹鹏，武博，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21