CN116228785A - 一种基于改进的Unet网络的肺炎CT影像分割方法 - Google Patents

一种基于改进的Unet网络的肺炎CT影像分割方法 Download PDF

Info

Publication number
CN116228785A
CN116228785A CN202310263482.9A CN202310263482A CN116228785A CN 116228785 A CN116228785 A CN 116228785A CN 202310263482 A CN202310263482 A CN 202310263482A CN 116228785 A CN116228785 A CN 116228785A
Authority
CN
China
Prior art keywords
image
module
pneumonia
convolution
improved
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310263482.9A
Other languages
English (en)
Inventor
张欣卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202310263482.9A priority Critical patent/CN116228785A/zh
Publication of CN116228785A publication Critical patent/CN116228785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种基于改进的Unet网络的肺炎CT影像分割方法，属于医学图像处理领域，包括以下步骤：获取待分割的肺炎CT影像；图像预处理；建立改进后的Unet网络结构：以原始Unet的U型网络结构为基础，在编码器后三层原有卷积模块引入残差结构，在编码器与解码器连接处引入ASPP(Atrous Spatial Pyramid Pooling)模块，在跳跃连接处引入CA(Coordinate Attention)注意力机制模块；利用完成预处理的肺炎CT影像对改进后的Unet网络进行训练；将待分割的肺炎CT影像测试集输入训练好的改进后的Unet网络获取分割结果，实验结果表明，本发明性能优越，避免了梯度消失或梯度爆炸，获取到多尺度影像特征，增强了对关注对象的表示，避免显著的计算开销，相较于其他经典语义分割模型提高了分割的准确性。

Description

一种基于改进的Unet网络的肺炎CT影像分割方法
技术领域
本发明涉及一种基于改进的Unet网络的肺炎CT影像分割方法，属于医学图像处理领域。
背景技术
伴随着科学技术的快速进步，生活节奏的日益加快，健康问题也越来越受到人们的关注。肺炎疾病的患病人数逐年增加，改善肺炎疾病的早期诊断与治疗，从肺炎CT影像中自动进行肺炎病灶分割成为当前的研究热点。医学影像分割是临床计算机辅助系统的关键一步，准确、高效的影像分割有助于减轻大量的影像数据为临床医生带来的巨大压力，减少由于病灶和背景对比度低导致的漏诊情况，有效地辅助医生进行疾病诊治和预后评估。但医学影像常有清晰度低、噪声伪影、器官组织畸变等情况，一定程度上增加了自动分割的难度。
随着技术的发展，深度学习在越来越多的领域得到广泛关注与应用，卷积神经网络被很多研究学者应用到医学影像分割领域中。而Unet网络是该领域的典型模型，其解码编码的对称结构设计与跳跃连接使其能够很好地提取影像中的低级特征与高级语义信息，提高分割的准确度。研究人员常根据影像特性、应用场景的不同，在原有网络上针对性地进行改进以提高网络的分割性能。Li等将空间RNN与Unet结合提出一种复合网络学习多尺度、远距离的空间环境；Xiao等以Res2Net结合Unet，解决梯度消失和梯度爆炸问题；Yu等设计了DB-U-Net用深度卷积和逐点卷积替换了网络中原有卷积核，提高网络收敛速度，缩短分割时间；Qamar等在3D-Unet中嵌入Dense-Unet和Inception-ResNet结构，融合编码与解码的不同尺度特征。因此，面对肺炎医学数据少、形状多变、轮廓特征提取难，改进Unet网络，提取有效的肺炎病灶特征进行准确分割是当下亟待解决的关键问题。
发明内容
本发明提供一种基于改进的Unet网络的肺炎CT影像分割方法，在原始Unet的U型网络结构的基础上，通过在编码器后三层原有卷积模块引入残差结构、在编码器与解码器连接处引入ASPP模块、在跳跃连接处加入CA注意力机制模块的方法，提高肺炎CT影像分割的准确度。
为实现上述目的，本发明采用的技术方案如下：一种基于改进的Unet网络的肺炎CT影像分割方法，包括以下步骤：
S1：获取待分割的肺炎CT影像；
S2：影像预处理；
S3：建立改进后的Unet网络结构：
以原始Unet的U型网络结构为基础，在编码器后三层原有卷积模块引入残差结构，在编码器与解码器连接处引入ASPP模块，在跳跃连接处引入CA注意力机制模块；
S4：利用完成预处理的肺炎CT影像对改进后的Unet网络进行训练；
S5:将待分割的肺炎CT影像测试集输入训练好的改进后的Unet网络获取分割结果。
优选地，所述步骤S2中的预处理包括将肺炎CT影像裁剪为512×512大小，采用基于概率的水平翻转、基于高斯函数的随机模糊、随机扭曲的方式进行数据增强，并将像素值归一化为零均值和单位方差。
优选地，步骤S3中的在编码器后三层原有卷积模块引入的残差结构可以加深网络深度，同时不引起梯度消失或梯度爆炸，提高模型性能。
优选地，步骤S3中的在编码器与解码器连接处引入的ASPP模块可以利用不同扩张率的空洞卷积获取不同尺度的影像信息，在保证参数不增加的同时加大卷积核的感受野，从而获取到更多的影像特征。
优选地，步骤S3中的在跳跃连接处引入的CA注意力机制模块可以将位置信息嵌入到通道注意力中，增强对关注对象的表示，同时避免产生显著的计算开销，具有轻量级的优势。
与现有技术相比，本发明技术方案的有益效果是：本发明以原始Unet的U型网络结构为基础，通过在编码器后三层原有卷积模块引入残差结构、在编码器与解码器连接处引入ASPP模块、在跳跃连接处引入CA注意力机制模块来对Unet模型进行改进。改进后的Unet分割网络模型性能优越，避免梯度消失或梯度爆炸，获取到更多的影像特征，增强了对关注对象的表示，避免显著的计算开销，相较于其他经典语义分割模型提高了分割的准确性。
附图说明
图1为本发明中改进的Unet网络模型整体结构图；
图2为本发明中在编码器后三层原有卷积模块引入的残差结构的结构图；
图3为本发明中ASPP模块的结构图；
图4为本发明中CA注意力模块结构图；
图5为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明作进一步的详细描述，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。本发明的分割流程图如图5所示，本发明基于改进的Unet网络的肺炎CT影像分割方法具体包含以下步骤：
S1：获取待分割的肺炎CT影像；
S2：影像预处理；
S3：建立改进的Unet网络结构：
以原始Unet的U型网络结构为基础，在编码器后三层原有卷积模块引入残差结构，在编码器与解码器连接处引入ASPP模块，在跳跃连接处引入CA注意力机制模块；
S4：利用完成预处理的肺炎CT影像对改进后的Unet网络进行训练；
S5:将待分割的肺炎CT影像测试集输入训练好的改进后的Unet网络获取分割结果。
进一步的，所述步骤S2：影像预处理，包括影像大小裁剪、数据增强和归一化，具体为：首先将步骤S1所获得的肺炎CT影像裁剪为512×512大小，然后采用基于概率的水平翻转、基于高斯函数的随机模糊、随机扭曲的数据增强方式，并将肺炎CT影像进行归一化，将像素值归一化为零均值和单位方差。
进一步的，所述步骤S3：建立改进后的Unet网络结构，其结构如图1所示，具体为：改进的Unet网络结构由编码器、解码器、连接编解码的ASPP模块、跳跃连接4部分组成，编码器由3×3卷积层和2×2最大池化层组成，共进行4次下采样，后3次下采样的卷积模块引入残差结构；解码器由3×3卷积层和2×2反卷积层组成，共进行4次上采样；ASPP模块位于编码器与解码器的连接处，获取不同尺度的影像信息；CA注意力模块位于跳跃连接处，增强对关注对象的表示，编码器得到的特征图输入CA注意力模块，输出与相对应的解码器特征图进行拼接。
进一步的，所述步骤S3：建立改进后的Unet网络结构，其中在编码器后三层原有卷积模块引入的残差结构如图2所示，具体为：输入信息经由两条处理路径后将两条路径处理结果相加，在一条路径中输入信息首先经过批量标准化层、Relu激活函数和3×3卷积层，之后再次经过批量标准化层、Relu激活函数和3×3卷积层，在另一条路径中输入信息分别经过3×3卷积层和批量标准化层，而后将两条路径处理结果相加作为该结构的输出信息；利用该结构能够在在网络层数增加的情况下有效解决梯度消失或梯度爆炸等问题，提高模型分割性能。
进一步的，所述步骤S3：建立改进后的Unet网络结构，其中在编码器与解码器连接处引入的ASPP模块如图3所示，具体为：在编码器与解码器连接处引入的ASPP模块由5条分支并联而成，分支1为大小为1×1的卷积核；分支2为大小为3×3的卷积核、扩张率为6的空洞卷积；分支3为大小为3×3的卷积核、扩张率为12的空洞卷积；分支4为大小为3×3的卷积核、扩张率为18的空洞卷积；分支5为1×1的全局平均池化层，大小为1×1的卷积核和上采样层；最后将五条分支获得的特征图进行拼接后送入大小为1×1卷积层，得到输出特征图；ASPP模块利用不同扩张率的空洞卷积获取不同尺度的影像信息，空洞卷积能够在保证参数不增加的同时加大卷积核的感受野，从而获取到更多的影像特征。
进一步的，所述步骤S3：建立改进后的Unet网络结构，其中在跳跃连接处引入的CA注意力机制模块如图4所示，具体为：CA注意力机制将输入特征图分别在宽度和高度两个方向进行全局平均池化，获得在宽度和高度方向的特征图，将其拼接在一起输入到大小为1×1的卷积层中进行降维，然后经过批量归一化处理和Sigmoid激活函数后，将特征图按原始高度和宽度经过大小为1×1的卷积核，再次经过Sigmoid激活函数后得到输入特征图在高度和宽度方向上的注意力权重，通过乘法应用于原始输入特征图，最终得到在高度和宽度方向上具有注意力权重的特征图作为模块输出。CA注意力机制是一种轻巧高效的注意力机制，它把通道特征拆分为两部分，各自按不同的方向进行特征编码，沿一个方向捕获远距离依赖关系，沿另一方向保留精确的位置信息，最后将两部分合并，将生成的特征图编码为对方向和位置敏感的注意力图，增强对关注对象的表示，避免产生显著的计算开销，具有轻量级的优势。
以上结合附图对本发明的实施方式作了详细描述，但本发明不限于所描述的实施方式凡在本发明的精神和原则之内所作的任何修改、等同替换等，均应包含在本发明的保护范围内。

Claims (6)

1.一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，包括如下步骤：
S1：获取待分割的肺炎CT影像；
S2：图像预处理；
S3：建立改进后的Unet网络结构：以原始Unet的U型网络结构为基础，在编码器原有卷积模块引入残差结构，在编码器与解码器连接处引入ASPP(Atrous Spatial PyramidPooling)模块，在跳跃连接处引入CA(Coordinate Attention)注意力机制模块；
S4：利用完成预处理的肺炎CT影像对改进后的Unet网络进行训练；
S5:将待分割的肺炎CT影像测试集输入训练好的改进后的Unet网络获取分割结果。
2.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S2所述影像预处理包括将肺炎CT影像裁剪为512×512大小，采用基于概率的水平翻转、基于高斯函数的随机模糊、随机扭曲的方式进行数据增强，并将像素值归一化为零均值和单位方差。
3.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S3所述建立改进后的Unet网络结构，其中改进的Unet网络结构由编码器、解码器、连接编码器与解码器的ASPP模块、跳跃连接4部分组成，编码器分为4层，进行4次下采样，第一层由一个标准卷积模块和一个下采样模块组成，后三层均由一个引入残差结构的改进卷积模块和一个下采样模块组成；解码器分为4层，进行4次上采样；ASPP模块位于编码器与解码器的连接处，获取不同尺度的影像信息；CA注意力模块位于跳跃连接处，增强对关注对象的表示，具有轻便性，节省计算开销。
4.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S3所述建立改进后的Unet网络结构，其中在编码器后三层原有卷积模块引入的残差结构使输入信息经由两条路径处理后将结果相加作为输出，在一条路径中输入信息两次经过批量标准化层、Relu激活函数和3×3卷积层，在另一条路径中输入信息分别经过3×3卷积层和批量标准化层，利用该结构能够在网络层数增加的情况下有效解决梯度消失或梯度爆炸等问题，提高模型分割性能。
5.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S3所述建立改进后的Unet网络结构，其中在编码器与解码器连接处引入的ASPP模块由5条分支并联而成，分支1为大小为1×1的卷积核；分支2为大小为3×3的卷积核、扩张率为6的空洞卷积；分支3为大小为3×3的卷积核、扩张率为12的空洞卷积；分支4为大小为3×3的卷积核、扩张率为18的空洞卷积；分支5为1×1的全局平均池化层，大小为1×1的卷积核和上采样层；最后将五条分支获得的特征图进行拼接后送入大小为1×1卷积层，得到输出特征图；ASPP模块利用不同扩张率的空洞卷积获取不同尺度的影像特征信息。
6.根据权利要求1所述的一种基于改进的Unet网络的肺炎CT影像分割方法，其特征在于，步骤S3所述建立改进后的Unet网络结构，其中在跳跃连接处引入的CA注意力机制模块将输入特征图在高度和宽度方向上进行全局平均池化操作，将获得全局感受野的高度和宽度方向上的特征图拼接，送入1×1卷积模块，再分别编码为两个注意力图，得到输入特征图在高度和宽度方向上的注意力权重，通过乘法应用于输入特征图，CA注意力机制增强对关注对象的表示和对不相关背景区域的抑制，同时避免产生显著的计算开销，具有轻量级的优势。
CN202310263482.9A 2023-03-17 2023-03-17 一种基于改进的Unet网络的肺炎CT影像分割方法 Pending CN116228785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310263482.9A CN116228785A (zh) 2023-03-17 2023-03-17 一种基于改进的Unet网络的肺炎CT影像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310263482.9A CN116228785A (zh) 2023-03-17 2023-03-17 一种基于改进的Unet网络的肺炎CT影像分割方法

Publications (1)

Publication Number Publication Date
CN116228785A true CN116228785A (zh) 2023-06-06

Family

ID=86573085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310263482.9A Pending CN116228785A (zh) 2023-03-17 2023-03-17 一种基于改进的Unet网络的肺炎CT影像分割方法

Country Status (1)

Country Link
CN (1) CN116228785A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523840A (zh) * 2023-03-30 2023-08-01 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法
CN117710760A (zh) * 2024-02-06 2024-03-15 广东海洋大学 残差的注意神经网络用于胸部x线病灶检测的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523840A (zh) * 2023-03-30 2023-08-01 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法
CN116523840B (zh) * 2023-03-30 2024-01-16 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法
CN117710760A (zh) * 2024-02-06 2024-03-15 广东海洋大学 残差的注意神经网络用于胸部x线病灶检测的方法
CN117710760B (zh) * 2024-02-06 2024-05-17 广东海洋大学 残差的注意神经网络用于胸部x线病灶检测的方法

Similar Documents

Publication Publication Date Title
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
CN113240691B (zh) 一种基于u型网络的医学图像分割方法
CN113012172B (zh) 一种基于AS-UNet的医学图像分割方法及系统
CN116228785A (zh) 一种基于改进的Unet网络的肺炎CT影像分割方法
CN111325751A (zh) 基于注意力卷积神经网络的ct图像分割系统
CN112258488A (zh) 一种医疗影像病灶分割方法
CN111627019A (zh) 一种基于卷积神经网络的肝脏肿瘤分割方法及系统
CN112712528B (zh) 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法
CN111369565A (zh) 一种基于图卷积网络的数字病理图像的分割与分类方法
CN113223005B (zh) 一种甲状腺结节自动分割及分级的智能系统
CN115471470A (zh) 一种食管癌ct图像分割方法
CN112508969B (zh) 基于深度学习网络的三维影像的管状结构分割图断裂修复系统
CN117078941B (zh) 一种基于上下文级联注意力的心脏mri分割方法
CN113539402B (zh) 多模态影像自动勾画模型迁移方法
WO2024104035A1 (zh) 基于长短期记忆自注意力模型的三维医学图像分割方法及系统
CN113538363A (zh) 一种基于改进U-Net的肺部医学影像分割方法及装置
CN117173412A (zh) 一种基于CNN和Transformer融合网络的医学图像分割方法
CN116091458A (zh) 一种基于互补注意力的胰腺图像分割方法
CN116309278A (zh) 基于多尺度上下文感知的医学图像分割模型及方法
CN115272357A (zh) 基于多时相融合与双注意力机制的肝肿瘤分割方法
CN116188352A (zh) 一种基于增强边缘特征的肺结节分割方法
CN115147303A (zh) 一种基于掩膜引导的二维超声医学图像修复方法
CN114565626A (zh) 基于PSPNet改进的肺部CT图像分割算法
CN112529949A (zh) 一种基于t2图像生成dwi图像的方法及系统
CN112990215B (zh) 图像去噪方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination