一种基于LSCU-net的肺栓塞分割方法

本发明属于医学图像，具体涉及一种基于lscu-net的肺栓塞分割方法。

背景技术：

1、肺栓塞(pulmonary embolism，pe)是指来自静脉系统或者右心的内源性栓子阻塞肺动脉或其分支，引发肺循环和呼吸功能障碍的一组综合征，栓子包括血栓、脂肪细胞、羊水、空气、肿瘤细胞和细菌等，临床症状主要表现为呼吸困难、腹痛、晕厥或休克、咳血等。肺栓塞包括肺血栓栓塞症(pte)、脂肪栓塞综合征、羊水栓塞、空气栓塞、肿瘤栓塞等，其中pte为肺栓塞最常见类型。

2、根据国外流行病学调查数据显示，肺栓塞疾病的漏检率在百分之70左右，生前未得到明确诊断导致病人死亡的概率高达百分之40以上。精准而尽早的识别筛选出肺栓塞病症，是诊治肺栓塞的基础，可以在极大程度上降低因肺栓塞导致的死亡疾病，因此肺栓塞的快速、精准诊断在临床上显得尤为重要。然后目前，在临床上对于医学图像的判别和评估大多数情况下是依靠医师来完成的，放射科医师需要通过肉眼判断每张二维肺部ctpa切片图像，仔细观察肺部医学图像的每个细节来判断该患者是否存在肺栓塞，但是由于ctpa扫描检测会产生几百张二维序列的图像，通过人工诊断肺栓塞是一项非常耗时耗力的工作，并且肺栓塞和周围腹部其他组织特征类似，容易产生混淆，判断的准确性也受医师的经验、专注度等人为因素的影响。

3、现有技术在解决肺栓塞分割问题方面的局限性如下：

4、1.现有在医学图像分割领域常用的神经网络模型u-net在肺栓塞分割上存在一些难点。主要原因有：

5、1.1肺栓塞的体积相对于肺部体积较小，正负样本的极度不均衡会严重影响模型的学习和预测效果。

6、1.2u-net一般只能学习到ctpa切片内的空间信息，很难有效利用ctpa切片间的序列信息、。

7、2.目前基于u-net的肺栓塞分割方法存在分割不准确、速度较慢等问题，无法很好地满足临床对肺栓塞快速、精准诊断的需求。

8、3.现有方法依赖大量标注数据集进行模型训练，而肺栓塞的标注数据较为稀缺，增加了模型的训练难度。

9、4.现有模型结构较为复杂，计算量大，导致实时分割效果不佳。

10、5.缺乏有效模块的设计，如注意力模块、双向lstm模块等，无法有效融合不同尺度的特征信息，也无法有效提取ctpa切片间的序列信息。

11、6.缺乏有效的模型优化策略，导致模型效果难以提升。

12、7.缺乏对模型进行解释性分析的方法，无法有效评估模型的效果。

13、8.现有模型普遍存在过拟合现象，导致泛化能力较弱。

14、9.缺乏有效的大规模模型训练和调优方法，限制了模型效果的提升空间。

15、综上所述，现有技术在肺栓塞分割方面存在明显的局限性，需要进一步设计有效的模型结构、模块和训练策略，提高分割效果和速度，降低对数据标注的依赖，增强模型的泛化能力。这正是本发明要解决的主要技术问题。

技术实现思路

1、本发明目的在于提供一种基于lscu-net的肺栓塞分割方法，用于解决上述现有技术中存在的技术问题。

2、为实现上述目的，本发明的技术方案是：

3、提供了一种基于lscu-net的肺栓塞分割方法，包括以下步骤：

4、(1)获取关于肺栓塞ctpa图像并通过图像预处理得到肺栓塞数据集，并划分训练集和测试集；

5、(2)搭建改进的lscu-net神经网络模型；

6、(3)将训练集作为训练样本，对步骤2得到的改进lscu-net神经网络进行训练；

7、(4)利用训练后的lscu-net对测试集的肺栓塞样本进行分割测试。

8、本发明的进一步设置为：在步骤(1)中，数据集由医院专业医生提供，图像预处理是指先将ctpa图像采用切片的方法，将三维的dicom格式的ctpa图像处理为二维的jpg格式的ctpa图像，再采用剪裁方法来提升二维ctpa图像质量。

9、本发明的进一步设置为：在步骤(1)中，将医生标记后的肺栓塞数据集按9∶1的比例随机划分获得训练集和测试集。

10、本发明的进一步设置为：在步骤(2)中，对u-net神经网络进行改进，具体改进内容如下：

11、(1)在encorder模块引入带残差的轻量化注意力模块cbam的卷积模块cbam-conv。具体结构为：在进行特征提取的编码器结构区域使用cbam-conv，该模块由一层cbam和两个基本卷积块串联组成。cbam层由通道注意力模块ca和空间注意力模块sa串联得到，用于改变神经网络模型学习策略，并将不同尺度、不同层次的特征信息进行有效融合，加强神经网络对感兴趣区域信息的关注度，通过cbam层后图像特征数据会依次通过通道注意力模块ca、空间注意力模块sa，通过调节权重来区分特征的重要程度，从空间维度和通道维度上专注于关键区域的特征，抑制背景等不重要特征；

12、基本卷积块具体由一个3×3卷积层、一个批量归一化bn层和一个激活函数relu串联组成。图像特征数据在经过基本卷积块时会进行图像特征的特征提取，提取输入图片的信息、批量归一化更改数据分布，避免模型过拟合、激活判定增加非线性，避免模型过拟合。

13、(2)bi-lstm模块为双向长短期记忆模块，该模块即为前向的lstm和后向的lstm的结合，而单向的lstm模块，具体结构组成为遗忘门、记忆门、输出门，图像特征数据输入到lstm模块后，首先会与上一时间状态下的输入数据进行特征维度上的特征融合add，然后将图像特征数据输入到遗忘门，数据会经过一个sigmoid激活函数后，与lstm模块中的用来学习长期依赖信息的cell细胞状态进行叉乘，以进行cell细胞状态的遗忘，遗忘无效信息，之后图像特征数据进入记忆门，分别通过sigmoid和tanh激活函数之后，进行叉乘，再与cell细胞状态进行特征维度上的特征融合add，记忆图像特征数据中的重要信息，最后将图像特征数据输入到输出门，图像特征数据和cell细胞状态分别通过sigmoid和tanh激活函数之后叉乘，得到最终输出的图像特征数据；

14、bi-lstm模块可以将双向的上一时刻的细胞的状态传递到下一时刻的细胞状态，达到序列信息的学习和记忆目的，同时避免神经网络梯度消失，l2norm模块通过l2正则化，实现图像数据的特征归一化，简化模型，避免模型的过拟合。

15、本发明的进一步设置为：在步骤(3)中，将训练集通过数据增强后输入到lscu-net进行训练，损失函数为ftloss+bceloss，优化器为sgd，学习率调整策略为余弦退火下降法，初始学习率为le-4，训练周期为100epoch，batch-size为8。

16、本发明的进一步设置为：在步骤(4)中，将训练集输入到lscu-net进行效果验证，得到分割结果并进行评价指标(jac、dice score、map、accuracy)的计算。

17、因为本发明采用上述技术方案，因此具备以下有益效果：

18、(1)肺栓塞的体积相对较小，正负样本分布极度不均衡，这会导致现有基于u-net的肺栓塞分割模型学习效果不佳。本发明通过在u-net的encoder模块引入带残差的cbam注意力模块，可以有效改善模型对负样本的关注度，提高模型对肺栓塞病灶的检测效果。

19、(2)现有u-net模型只能学习到单个ctpa切片内的空间信息，无法有效利用ctpa切片间的序列信息。本发明通过在u-net的bottleneck模块引入双向lstm双向长短期记忆模块，可以学习到ctpa切片间的时序信息、，有助于识别病灶的持续性和动态变化。

20、(3)现有u-net模型在特征提取和模型效率方面存在局限。本发明通过替换u-net模块，实现了模型结构的优化，使得模型在特征提取效果和运行效率上都有提升。

21、(4)现有肺栓塞分割方法依赖专业医生进行图像分析，主观性强，且耗时耗力。本发明利用深度学习模型实现自动化分割，可以提高检测效率，减轻医生的工作负担。

22、(5)现有方法对数据集依赖性强，效果不稳定。本发明通过数据增强和效果验证等手段提高了模型效果的稳定性和泛化能力。

23、(6)现有方法缺乏对肺栓塞病灶间关联性建模。该本发明通过双向lstm模块考虑病灶间的时序关联信息，有助于识别病灶的整体结构。

24、(7)现有u-net模型参数量大，模型复杂。本发明通过轻量化设计实现了模型体积和复杂度的降低。

25、总体来说，该方法通过模型结构改进，实现了对肺栓塞病灶更准确的自动化分割，提高了检测效率和效果，降低了医生的工作负担，具有重要的临床应用价值。