申请/专利权人：东北大学

申请日：2021-02-26

公开（公告）日：2024-04-05

公开（公告）号：CN112950643B

主分类号：G06T7/10

分类号：G06T7/10;G06V10/80;G06V10/774;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.07.02#实质审查的生效;2021.06.11#公开

摘要：本发明涉及医学图像分割技术领域，提供一种基于特征融合深监督U‑Net的新冠肺炎病灶分割方法，包括：步骤1：获取初始样本集；步骤2：对初始样本集进行预处理；步骤3：获取训练样本集与验证样本集；步骤4：对训练样本集进行数据增广；步骤5：搭建基于特征融合深监督U‑Net的胸部CT影像中COVID‑19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支，特征融合块添加在不同层级的跳跃连接间，深监督分支添加在解码器部分；步骤6：训练分割模型；步骤7：对待分割的胸部三维CT扫描图像进行分割。本发明能够实现胸部CT中COVID‑19病灶区域的自动分割，提高分割的准确性、快速性。

主权项：1.一种基于特征融合深监督U-Net的新冠肺炎病灶分割方法，其特征在于：包括下述步骤：步骤1：获取初始样本集收集确诊为COVID-19的多名患者的胸部三维CT扫描图像，对胸部三维CT扫描图像中COVID-19病灶区域位置进行标注，对胸部三维CT扫描图像进行切片处理，并筛选掉不含有COVID-19病灶的切片，将每名患者的筛选后剩下的所有切片及各切片对应的标注数据作为一个初始样本，得到初始样本集；步骤2：对初始样本集进行预处理步骤3：获取训练样本集与验证样本集从预处理后的样本集中选取M个样本构成训练样本集、剩下的样本构成验证样本集；步骤4：对训练样本集进行数据增广；步骤5：搭建分割模型搭建基于特征融合深监督U-Net的胸部CT影像中COVID-19病灶区域自动分割模型包括编码器、解码器、跳跃连接、特征融合块、深监督分支；所述特征融合块添加在不同层级的跳跃连接间，特征融合块包括编码器中每一层级的特征图在进行跳跃连接前与前面所有层级的特征图进行相加融合；所述特征融合块中，先使用卷积单元将浅层的特征图下采样到与待融合特征图相同的大小，再通过残差单元对下采样后的特征图进行调整，将经残差单元调整后的特征图与待融合特征图以像素级相加的形式进行融合，最后通过原本的跳跃连接传递到解码器部分；所述深监督分支添加在解码器部分；所述深监督分支包括在解码器中除原来具有输出分支的第一层级外的其他三个层级各添加一个输出分支所述深监督分支中的每个输出分支包括依次连接的转置卷积层、sigmoid激活函数层，先使用转置卷积层将经过所在层级解码器后的图像还原至输入的原始大小，并将图像通道数调整为1，再使用sigmoid激活函数层对图像进行归一化处理；步骤6：训练分割模型利用数据增广后的训练样本集、验证样本集对搭建好的分割模型进行训练和选择，得到最优分割模型；步骤7：对待分割的胸部三维CT扫描图像进行切片处理，对所有切片进行预处理，将预处理后的所有切片输入所述最优分割模型并得到分割结果，对分割结果进行双线性插值上采样以恢复至原始大小，将该待分割的胸部三维CT扫描图像的所有切片的恢复至原始大小的分割结果按照位置关系合并为三维数据。

全文数据：

权利要求：

百度查询： 东北大学 基于特征融合深监督U-Net的新冠肺炎病灶分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD