本发明涉及数字图像处理领域,具体涉及一种基于双向多尺度特征提取的ct影像胸壁分割方法。
背景技术:
1、ct影像质量控制是医学影像质量控制的重要环节,而胸壁分割的重要性体现在胸壁完整性和fov(视场)两个方面。首先胸壁完整性是医生诊断的基本要求,保障了医生对胸壁内部的病灶有完整的把握,而fov则相对偏向于硬件参数,体现在胸壁区域在影像中的面积占比,合适的fov也能保证胸壁完整性,同时能协调不同ct层之间的胸壁范围。所以胸壁分割是ct影像质量控制重要的一步。传统方法一般是基于边缘或者是基于连通区域,传统技术对图像噪声比较敏感,而且无法应对特殊的边缘情况,比如存在其他身体组织进入了ct影像的范围。因此,基于深度学习的图像分割方法对解决这个问题很有帮助。
2、现有的图像分割方法中,比较经典的包括mask r-cnn、fcn、u-net、deeplab系列等,其中mask r-cnn基于了一定的二阶段目标检测方法对图像分割进行了优化,而其他的方法都是基于全卷积的,但是u-net作为轻量级的高效网络,见图3,尤其适用于数据量少、图像特征丰富的医学影像。
3、因此本发明同样以u-net为基准,设计了一种基于双向多尺度特征提取的ct影像胸壁分割方法,来解决现有技术中存在的问题。
技术实现思路
1、本发明提出一种基于双向多尺度特征提取的ct影像胸壁分割方法,直接输入ct影像,导出默认窗位的影像即可,分割快速且稳定,能直接输出可视化的胸壁分割结果。
2、本发明的一方面提供了一种基于双向多尺度特征提取的ct影像胸壁分割方法,该方法包括如下步骤:
3、步骤1,构建基于双向多尺度特征提取的图像分割网络,包括编码器分支、多尺度特征融合分支、多尺度横向特征连接模块和解码器分支;
4、所述图像分割网络利用双向特征金字塔将多尺度特征提取引入编码器分支,利用复合挤压激励网络将多尺度横向特征连接模块引入解码器分支;
5、步骤2,将训练数据集输入步骤1中的基于双向多尺度特征提取的图像分割网络中训练,得到学习后的图像分割网络;
6、步骤3,将测试集数据输入步骤2训练得到的图像分割中得到初步的分割结果,设定置信度的阈值后进行可视化,得到准确分割ct影像中心的胸壁部分。
7、本发明的另一方面提供了基于双向多尺度特征提取的ct影像胸壁分割装置,所述装置包括处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述基于双向多尺度特征提取的ct影像胸壁分割方法。
8、本发明的有益效果:
9、本发明能够自动生成与处理图像,直接输入默认窗位的ct影像,分割高效稳定,能直接输出可视化的分割结果。
10、本发明提出了一种基于双向特征金字塔的多尺度特征融合分支来增强编码器分支的编码能力。还提出了一种基于复合挤压激励网络的多尺度横向特征连接模块来增强特征融合时对高级特征的关注度,同时不会混淆低级特征,这两个模块在编码阶段和解码阶段分别提高了全局特征融合和局部高级特征保留的能力,大大提高了网络的胸壁分割精度。
1.基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法包括如下步骤:
2.根据权利要求1所述基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法:所述多尺度特征融合分支用于多尺度特征融合和特征提取,能对不同尺度的信息进行融合,并通过残差结构保留当前尺度的特征。
3.根据权利要求2所述基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法:所述多尺度特征融合分支包括:
4.根据权利要求3所述基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法:所述上采样过程采用转置卷积进行,通过控制转置卷积参数使小尺度特征图的尺寸和通道数与当前级别的特征图保持一致,引入可学习的系数进行加权相加;
5.根据权利要求3所述基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法:所述的解码器分支主要使用转置卷积方法进行上采样,结合多尺度横向特征连接模块将所有层的特征最终融合到分辨率最高的特征图中。
6.根据权利要求5所述基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法:所述多尺度横向特征连接模块,其包括五个级别的横向特征传播过程,所述五个级别的特征传播过程分别对应特征融合下采样的四个过程以及特征融合下采样进行之前的顶层特征图;五个级别的特征传播过程使用卷积操作对特征图进行调整并传入解码器分支中。
7.根据权利要求1所述基于双向多尺度特征提取的ct影像胸壁分割方法,其特征在于该方法:所述步骤2还包括:
8.基于双向多尺度特征提取的ct影像胸壁分割装置,其特征在于:所述装置包括处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1~7之任一所述基于双向多尺度特征提取的ct影像胸壁分割方法。