改进的卷积神经网络在肺部图像上的分割应用

发布时间：2024-05-16 01:35

　　CT成像技术是辅助医生诊断肺部疾病的重要手段。针对肺部各组织结构复杂,难以准确地对肺部CT图像中肺实质进行分割和提取的问题,提出了一种编/解码模式的肺分割算法。为了获得图像的多尺度信息,首先向网络模型中输入多尺度图像,使用残差网络结构作为编码模块,在扩展网络深度的同时不造成网络退化问题;此外,在编码和解码之间利用空洞空间金字塔池化(ASPP)充分提取上文多尺度信息;最后利用级联操作,将捕捉到的信息与编码层信息级联,结合注意力机制从而提高分割精度。通过对LUNA16数据集中89位患者的13 465张CT图像进行测试,以相似性系数和精确度作为主要评判标准,实验精度分别达到了99.56%和99.33%。实验结果表明,该方法能有效分割出肺实质区域,与其他网络相比分割效果更好。

【文章页数】：10 页

【部分图文】：

图1实验流程图

本文的实验流程图如图1所示。首先对图像进行预处理，接着将训练样本送入模型中训练，得到最优分割模型；再将测试样本送到已经训练好的模型中测试，得出分割结果。本文提出的编/解码模式的肺分割算法，输入的是肺CT扫描切片，输出的是一个二值化图像，模型通过识别每个像素是前景还是背景来预测显示....

图2残差块

对于神经网络来说，网络层数越深，所能学到的东西越多，但在某些情况下，网络层数越深反而会降低准确率，很容易出现梯度消失和梯度爆炸。残差网络（residualnetwork,ResNet)[10]可以很好地缓解这一问题。普通卷积每两层增加一个捷径，构成一个残差块（residual....

图3二维普通卷积和空洞卷积

在卷积神经网络中，卷积核的尺寸越大，感受野也就越大，提取到的图像特征也就越多，但是一味地增加卷积核的尺寸会使模型参数增多，这样不利于模型的训练。空洞卷积（atrousconvolution)[12]能够在不牺牲特征空间分辨率的同时扩大特征感受野。普通二维的卷积和空洞卷积的对比如....

图4网络结构

本文中，ASPP要对上一层特征映射进行5次卷积操作：第一次卷积，采用256个普通的1×1卷积核卷积特征映射，同时加入BN操作。为了在不增加参数规模的前提下，获得多尺度的特征映射。第二次到第四次卷积操作时使用深度可分离卷积。每一个深度可分离卷积网络结构形式可表示为Depthconv....

本文编号：3974505