CT成像技術(shù)是輔助醫(yī)生診斷肺部疾病的重要手段。針對(duì)肺部各組織結(jié)構(gòu)復(fù)雜,難以準(zhǔn)確地對(duì)肺部CT圖像中肺實(shí)質(zhì)進(jìn)行分割和提取的問(wèn)題,提出了一種編/解碼模式的肺分割算法。為了獲得圖像的多尺度信息,首先向網(wǎng)絡(luò)模型中輸入多尺度圖像,使用殘差網(wǎng)絡(luò)結(jié)構(gòu)作為編碼模塊,在擴(kuò)展網(wǎng)絡(luò)深度的同時(shí)不造成網(wǎng)絡(luò)退化問(wèn)題;此外,在編碼和解碼之間利用空洞空間金字塔池化(ASPP)充分提取上文多尺度信息;最后利用級(jí)聯(lián)操作,將捕捉到的信息與編碼層信息級(jí)聯(lián),結(jié)合注意力機(jī)制從而提高分割精度。通過(guò)對(duì)LUNA16數(shù)據(jù)集中89位患者的13 465張CT圖像進(jìn)行測(cè)試,以相似性系數(shù)和精確度作為主要評(píng)判標(biāo)準(zhǔn),實(shí)驗(yàn)精度分別達(dá)到了99.56%和99.33%。實(shí)驗(yàn)結(jié)果表明,該方法能有效分割出肺實(shí)質(zhì)區(qū)域,與其他網(wǎng)絡(luò)相比分割效果更好。

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

圖1實(shí)驗(yàn)流程圖

本文的實(shí)驗(yàn)流程圖如圖1所示。首先對(duì)圖像進(jìn)行預(yù)處理，接著將訓(xùn)練樣本送入模型中訓(xùn)練，得到最優(yōu)分割模型；再將測(cè)試樣本送到已經(jīng)訓(xùn)練好的模型中測(cè)試，得出分割結(jié)果。本文提出的編/解碼模式的肺分割算法，輸入的是肺CT掃描切片，輸出的是一個(gè)二值化圖像，模型通過(guò)識(shí)別每個(gè)像素是前景還是背景來(lái)預(yù)測(cè)顯示....

圖2殘差塊

對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，網(wǎng)絡(luò)層數(shù)越深，所能學(xué)到的東西越多，但在某些情況下，網(wǎng)絡(luò)層數(shù)越深反而會(huì)降低準(zhǔn)確率，很容易出現(xiàn)梯度消失和梯度爆炸。殘差網(wǎng)絡(luò)（residualnetwork,ResNet)[10]可以很好地緩解這一問(wèn)題。普通卷積每?jī)蓪釉黾右粋�(gè)捷徑，構(gòu)成一個(gè)殘差塊（residual....

圖3二維普通卷積和空洞卷積

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積核的尺寸越大，感受野也就越大，提取到的圖像特征也就越多，但是一味地增加卷積核的尺寸會(huì)使模型參數(shù)增多，這樣不利于模型的訓(xùn)練�？斩淳矸e（atrousconvolution)[12]能夠在不犧牲特征空間分辨率的同時(shí)擴(kuò)大特征感受野。普通二維的卷積和空洞卷積的對(duì)比如....

圖4網(wǎng)絡(luò)結(jié)構(gòu)

本文中，ASPP要對(duì)上一層特征映射進(jìn)行5次卷積操作：第一次卷積，采用256個(gè)普通的1×1卷積核卷積特征映射，同時(shí)加入BN操作。為了在不增加參數(shù)規(guī)模的前提下，獲得多尺度的特征映射。第二次到第四次卷積操作時(shí)使用深度可分離卷積。每一個(gè)深度可分離卷積網(wǎng)絡(luò)結(jié)構(gòu)形式可表示為Depthconv....

本文編號(hào)：3974505