【技术实现步骤摘要】
本专利技术涉及图像分割，特别是一种改进的unet肺结节分割方法。
技术介绍
1、肺癌的全球死亡率颇高，因此，筛选、早期检测以及及时治疗对降低其致死率至关重要。早期肺癌的诊断过程中，对肺部结节进行精准识别极为关键。常用的ct成像技术在肺癌诊断中发挥重要作用，使医生能通过肺部ct扫描获得关键的病变信息。但肺结节小巧且形态特征往往与肺部的血管结构相似，加之医生的专业水平和经验差异，单靠人眼观察难以做出精确判断，这不仅增加了诊断难度，也可能导致误诊或漏诊。因此，采用计算机辅助诊断技术进行准确的肺结节边缘分割显得尤为重要，这可以显著提高诊断的准确性和效率。
2、传统的图像分割方法，如阈值选择、聚类以及边缘检测等，在处理噪音、保持精确度及避免过度分割方面有其固有弱点。随着深度学习领域的快速发展，基于卷积神经网络的图像分割技术受到了广泛关注。自ronneberger等人提出unet算法以来，这一技术引起了广泛研究，并成为众多图像分割方法研究的基础。然而，直接应用unet于边缘模糊、小范围特征明显和高噪声的肺结节图像分割上，可能面临梯度消失或者特征利用不足的问题。为解决此类问题，wu及其团队提出了一种结合3d-unet及三维条件随机场（3d-crf）的方法来分割肺结节图像，该方法通过3d-crf改善网络输出以更新权重，在缩短训练时间和降低误差方面表现出色。xiao等研究者通过结合res2net结构和unet算法对肺结节ct图像进行处理，有效避免了梯度消失或爆炸的情况，从而提升了识别和分割的精度。同时，王雪利用多尺度特征融合技巧增强了
技术实现思路
1、本专利技术所要解决的技术问题是提供一种改进的unet肺结节分割方法，添加了eca模块，eca模块通过动态调整特征图中不同通道的权重，加强了模型对重要特征的关注度，从而提升了模型的识别能力。运用dysmple模块减少了上采样的计算量，添加深监督模块加速网络训练过程，采用混合损失解决类别不平衡问题。操作过程简单方便，使医务人员的临床工作效率得到提升，对社会贡献有着着重的意义，解决了现有技术对分割肺结节图像的效率较低和精度不足的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种改进的unet肺结节分割方法，包括以下步骤：
3、s1、进行数据集准备、数据集划分和实验环境准备；
4、s2、对unet模型引入高阶cutmix数据增强算法：
5、s3、对unet模型添加eca注意力模块；
6、s4、对unet模型将上采样替换成dysample模块；
7、s5、在unet的上采样后面添加深监督模块；
8、s6、使用交叉熵与gdl混合损失。
9、优选的，所述步骤s1包括以下步骤：
10、s101、将图片格式统一，缩放成256×256尺寸；
11、s102、将图片随机打乱，按7:2:1的比例划分为训练集、测试集和验证集。
12、优选的，所述步骤s2中，引入高阶cutmix数据增强算法包括以下步骤：
13、s201、从现有的肺结节数据集中随机挑选两张图像，这两张图像称为图像a1和图像a2，选择对应的标签，记为b1和b2；
14、s202，得到cutmix数据增强后图像，公式如下：
15、；
16、λ参数服从beta(a， a)，这里a设定为1；这意味着λ的取值范围是[0，1]，并且大约有一半的概率它会接近0.5；该参数λ决定了从一张图像中剪切出来的区域与另一张图像的融合比例；
17、s203、生成cutmix图像：
18、根据λ参数和两张原始图像的尺寸，确定从图像a1中剪切的矩形区域的尺寸和位置，记剪切出来的这部分为patch；
19、将patch粘贴到图像a2中相同的位置，创建出新的图像a，这个过程是将a1的一部分和a2的剩余部分按照一定比例混合，创建出了一个新的训练样本；
20、s204计算新的标签：
21、新图像a的标签b计算方法是两张原始图像标签的加权平均，公式如下：
22、；
23、其中λ是前面从贝塔分布中抽取的值，代表剪切区域相对于整张图像的比例，因此b综合了两张原始图像的标签信息；
24、s205用作模型训练：
25、通过重复上述步骤，可以生成多个cutmix图像及其对应的标签；这些新的训练样本可以直接用于深度学习模型的训练，提高模型对复杂图像特征的理解以及模型的泛化能力。
26、优选的，所述步骤s3中，添加eca注意力模块的具体方法如下：
27、在unet网络第1-3层下采样之后添加eca模块，eca模块不改变输入的特征图尺寸大小，也就是这三层eca模块输出尺寸与下采样输出尺寸一致；三层尺寸分别为：128×128，64×64，32×32；在unet跳层连结进行特征融合concat，作为上采样的输入特征；经过四次上采样操作得到模型预测分割图；
28、eca实现方法如下：
29、第一步，全局平均池化（globalaveragepooling），eca模块首先对特征图进行全局平均池化，以提取每个通道的全局信息，减少空间维度并保留通道维度，这样可以有效地捕获各个通道的统计特征；
30、第二步，一维卷积，不同于传统的通道注意力机制通常使用的两个全连接层来捕获通道间复杂的相互依赖关系（这样做既计算量大又可能会丢失特征），eca模块改为使用一维卷积，这样可以在不牺牲通道间相互依赖性捕获的情况下显著减少模型的复杂性；
31、第三步，自适应选择卷积核大小，eca模块通过自适应地选择一维卷积的核大小，来覆盖不同范围的通道；核的大小取决于特征图的通道数量，这意味着它可以动态适应不同尺寸的特征图，以更有效地捕捉通道间的相互依赖；
32、第四步，激活和重新标定，一维卷积的输出被用作激活函数（如sigmoid）的输入，以生成不同通道的权重；这些权重然后应用于原始特征图中的每个通道，对通道进行重新标定（rescale）；这样确保了模型可以重点关注更重要的特征，同时忽略那些不太相关的信息。
33、优选的，所述步骤s4中，将unet的上采样替换成dysample模块具体方法如下：
34、将unet的四次上采样都替换成dysample模块，下采样的特征图先经过3×3卷积操作将通道数降为输入的一半，再经过dysample模块恢复成，一共重复四次操作最后得到，再经过1×1的卷积操作得到预测图；其中h，w，c分别为特征图的高、宽和通道数；
35、dysample的具体实现如下：
36、第一步，根据几何信息建模，我们回到上采样的本质，即点采样。使用pytorch中的内置函数，首先提供一个朴素的实现来证明基于采样的动态上采样的可行性；
本文档来自技高网...
【技术保护点】
1.一种改进的UNet肺结节分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种改进的UNet肺结节分割方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求1所述一种改进的UNet肺结节分割方法，其特征在于，所述步骤S2中，引入高阶CutMix数据增强算法包括以下步骤：
4.根据权利要求1所述一种改进的UNet肺结节分割方法，其特征在于，所述步骤S3中，添加ECA注意力模块的具体方法如下：
5.根据权利要求1所述一种改进的UNet肺结节分割方法，其特征在于，所述步骤S4中，将UNet的上采样替换成Dysample模块具体方法如下：
6.根据权利要求1所述一种改进的UNet肺结节分割方法，其特征在于，所述步骤S5中，在UNet的上采样后面添加深监督模块具体如下：
7.根据权利要求1所述一种改进的UNet肺结节分割方法，其特征在于，所述使用交叉熵与GDL混合损失具体方法如下：
【技术特征摘要】
1.一种改进的unet肺结节分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种改进的unet肺结节分割方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求1所述一种改进的unet肺结节分割方法，其特征在于，所述步骤s2中，引入高阶cutmix数据增强算法包括以下步骤：
4.根据权利要求1所述一种改进的unet肺结节分割方法，其特征在于，所述步骤s3中，添加eca注意力模块的具...
【专利技术属性】
技术研发人员：石勇涛，邱康齐，柳迪，杜威，高超，
申请(专利权)人：三峡大学，
类型：发明
国别省市：
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。