【技术实现步骤摘要】
本专利技术涉及一种图像分割领域，尤其涉及一种基于边界校准和通道校准的肺炎ct图像分割方法。
技术介绍
1、肺炎是一种广泛且常见的传染性肺部疾病，易引起炎症，进而导致氧合作用减少、呼吸急促，严重时甚至死亡。近几年，covid-19在全球爆发，给人类带来了极其严重的生命安全隐患，该病毒传播速度快、变异种类多，典型症状为呼吸困难、发热、咳嗽，严重时可能会引起多器官衰竭，威胁患者的生命。
2、快速准确的肺部图像分割对于肺炎早期诊断和治疗至关重要，具有较高的临床应用价值。然而，深度学习分割方法在进行下采样时，不可避免地会丢失包含肺部空间特征的边界信息，导致细小病灶的分割性能受限。此外，ct图像具有感染区域特征高度变化以及感染与正常组织之间对比度低等挑战。
3、因此，针对上述技术问题亟需提出一种新的技术手段。
技术实现思路
1、有鉴于此，为了解决上述问题，本文提出了一种基于边界校准和通道校准的肺炎ct图像分割方法，本专利技术首先设计了一个先验轮廓信息引导的边界特征增强模块，利用无监督边缘检测算子和真实标签监督充分挖掘病灶边界，并利用边界引导区域学习以提高分割边界精度。为了增强高级语义特征响应，本专利技术还提出了通道特征重校准模块，通过调整特征响应的全局统计量，来对通道进行显示建模，以抑制背景噪声的干扰。
2、本专利技术提供的一种基于边界校准和通道校准的肺炎ct图像分割方法，包括以下步骤：
3、s1.确定肺炎ct图像数据集；
4、s2.
5、其中，肺炎ct图像分割模型包括一个边界校准编码器、一个通道校准编码器和一个解码器，边界校准编码器和通道校准编码器并行；边界校准编码器输出边界特征增强的特征图，通道校准编码器输出权衡通道权重后的特征图；将边界校准编码器输出的特征图和通道校准编码器的输出的特征图相加后输入至解码器中；
6、s3.将肺炎ct图像数据集输入至肺炎ct图像分割模型中进行训练；
7、s4.判断肺炎ct图像分割模型是否训练完成，如是，则进入步骤s5；如否，则更新肺炎ct图像分割模型中的参数，返回步骤s3中；
8、s5.将待分割肺炎ct图像输入至训练完成的肺炎ct图像分割模型中，输出分割结果。
9、进一步，步骤s2中，边界校准编码器通过如下方法校准边界特征：
10、s211.将肺炎ct图像输入res模块中，得到特征图f1；
11、s212.将特征图f1依次输入最大池化层和res模块中，得到特征图f2，特征图的分辨率为输入最大池化层的特征图的分辨率的二分之一；
12、s213.将特征图f2输入至边界特征增强层中，其中，特征图f2经过1×1卷积层和sigmoid函数层对边界轮廓进行预测，并通过真实轮廓标签图y对边界轮廓的预测进行监督学习，得到预测特征图f3，将预测特征图f3输入至边界检测器中，得到边界轮廓图g1，再将边界轮廓图g1输入至二值化层中，得到边界轮廓图e1；
13、将边界轮廓图e1和特征图f2输入至乘积模块中，其中，边界轮廓图e1与特征图f2逐像素点乘得到查询，并将查询输入至多头交叉注意力模块中；将特征图f2作为键和值也输入至多头交叉注意力模块中，多头交叉注意力模块的输出特征与边界特征增强层的输入特征相加得到特征图f4；
14、s214.将特征图f4依次输入最大池化层和res模块中，得到特征图f5，特征图的分辨率为输入最大池化层的特征图的分辨率的二分之一；
15、s215.依次重复步骤s213、s214和s213；
16、第一次重复步骤s213，输出特征图f6、边界轮廓图g2、边界轮廓图e2和特征图f7；
17、第一次重复步骤s214，输出特征图f8；
18、第二次重复步骤s213，输出特征图f9、边界轮廓图g3、边界轮廓图e3和特征图f10。
19、进一步，采用边界辅助损失函数ledge对边界轮廓进行监督学习：
20、ledge＝lbce1+lbce2+lbce3
21、其中，lbce1、lbce2和lbce3分别表示在边界校准编码器第一个边界特征增强层、第二个边界特征增强层和第三个边界特征增强层中提取出的边界轮廓与真实值提取的轮廓的二分类交叉熵损失。
22、进一步，边界检测器通过如下公式得到边界轮廓图g：
23、
24、其中，g0°表示边界检测器提取的0°方向的梯度图像，g45°表示边界检测器提取的45°方向的梯度图像，g90°2表示边界检测器提取的90°方向的梯度图像，g135°2表示边界检测器提取的135°方向的梯度图像。
25、进一步，步骤s2中，通道校准编码器通过如下方法校准通道特征：
26、s221.将肺炎ct图像依次输入3×3卷积层、批归一化层和relu函数层两次，得到特征图f11；
27、s222.将特征图f11输入至通道特征重校准层；
28、其中，将特征图f11依次输入均值池化层和1×1卷积层，得到特征图f11中所有像素值的平均值μ1；将特征图f11依次输入标准差池化层和1×1卷积层，得到特征图f11中所有像素值的方差σ1；
29、
30、
31、其中，h表示高，w表示宽，h表示高的序号，w表示宽的序号，x1hw表示输入均值池化层和标准差池化层的特征图的像素值；
32、将平均值μ1和方差σ1进行拼接得到通道统计量f1，f1＝[μ1,σ1]；
33、将通道统计量f1输入至通道全连接层中，得到通道的权重值；
34、其中，通道统计量f1以通道表示形式t输入通道全连接层中进行一维卷积，并使用可学习参数d进行通道编码，得到通道的权重值z；
35、z＝d·t
36、将通道编码模块输出的通道权重值z输入至卷积核大小为3的一维卷积层中得到通道权重值z1，再将通道权重值z1输入至sigmoid函数层中，得到数值在(0,1)间的通道权重值g1；
37、
38、其中，e表示自然常数；
39、对特征图f11和通道权重值g1进行加权求和，得到校准后的特征图f12；
40、s223.将特征图f12输入最大池化层，再将最大池化层的输出特征依次输入3×3卷积层、批归一化层和relu函数层两次，得到特征图f13，特征图f13的分辨率为输入最大池化层的特征图f12的分辨率的二分之一；
41、s224.依次重复步骤s222、s223、s222、s223、s222，分别输出特征图f14、特征图f15、特征图f16、特征图f17和特征图f18。
42、进一步，将边界校准编码器输出的特征图f10和通道校准编码器输出的特征图f18进行融合，得到特征图f19，再将特征图f19通过依次最大池化层和res模块，得到特征图f20，本文档来自技高网...
【技术保护点】
1.一种基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：步骤S2中，边界校准编码器通过如下方法校准边界特征：
3.根据权利要求2所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：采用边界辅助损失函数LEdge对边界轮廓进行监督学习：
4.根据权利要求2所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：边界检测器通过如下公式得到边界轮廓图G：
5.根据权利要求1所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：步骤S2中，通道校准编码器通过如下方法校准通道特征：
6.根据权利要求5所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：将边界校准编码器输出的特征图F10和通道校准编码器输出的特征图F18进行融合，得到特征图F19，再将特征图F19通过依次最大池化层和Res模块，得到特征图F20，将特征图F19和特征图F20输入至解码器中；
7.根据权利要求
8.根据权利要求1所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：步骤S3中，采用总损失函数LSeg对肺炎CT图像分割模型进行训练，总损失函数LSeg公式如下：
9.根据权利要求1所述的基于边界校准和通道校准的肺炎CT图像分割方法，其特征在于：步骤S4中，当肺炎CT图像分割模型训练了200轮时，肺炎CT图像分割模型训练完成。
...【技术特征摘要】
1.一种基于边界校准和通道校准的肺炎ct图像分割方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于边界校准和通道校准的肺炎ct图像分割方法，其特征在于：步骤s2中，边界校准编码器通过如下方法校准边界特征：
3.根据权利要求2所述的基于边界校准和通道校准的肺炎ct图像分割方法，其特征在于：采用边界辅助损失函数ledge对边界轮廓进行监督学习：
4.根据权利要求2所述的基于边界校准和通道校准的肺炎ct图像分割方法，其特征在于：边界检测器通过如下公式得到边界轮廓图g：
5.根据权利要求1所述的基于边界校准和通道校准的肺炎ct图像分割方法，其特征在于：步骤s2中，通道校准编码器通过如下方法校准通道特征：
6.根据权利要求5所述的基于边界校准和通道校准的肺炎ct图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。