基于改进的V-Net网络的肺结节CT图像分割、训练方法及装置

基于改进的v-net网络的肺结节ct图像分割、训练方法及装置
技术领域
1.本发明涉及肺结节ct图像分割技术领域，尤其是涉及一种基于改进的v-net网络的肺结节ct图像分割、训练方法及装置。


背景技术：

2.肺癌是由于未被免疫系统发现的不可控制的异常细胞，通过不断的自我复制分裂而形成的肺病变组织引起的，这种肺病变组织被称为肺结节。早期肺癌以肺结节的形式而存在，肺结节是直径小于4厘米的肺内类球状病灶区域，通常这些结节大小不同，位置也不同。早期的检测可大大减少肺癌死亡率，对肺结节的检测主要是通过医学影像技术。对于肺结节的检测，考虑到获取方便、可用性等因素，通常采用ct扫描的方式，对于ct图像的肺结节病灶区域分割，可以通过v-net模型实现。
3.请参阅图1，其为v-net模型的网络结构示意图，该模型的左侧为压缩路径，即编码部分，模型的右侧为解码部分。v-net模型的编码部分包括多个不同的卷积层，每一层对应一种尺度的分辨率，随着数据沿着压缩路径前进到达不同层，其分辨率成倍减小。v-net模型的每一层包含1到3次卷积运算，卷积核的大小为5x5x5，同一层的1到3次卷积运算后的输出特征图分辨率相同。v-net模型在每一层引入了残差学习结构，残差学习结构将该层最后一层卷积得到的输出特征图与上一层下采样后的输出特征图进行相加。v-net模型在每一层的末端进行下采样操作来获得更大的感受野，经过下采样后，特征图的分辨率变为原来的一半，同时特征图的数量是原来的两倍。v-net模型利用卷积来实现下采样，在图像分割中，下采样可以减小特征图的分辨率同时保留图像的重要特征。此外，v-net模型由于采用较大的5x5x5的卷积核，并且共有21次卷积操作，因此感受野较大，模型的拟合能力很强。
4.然而，v-net模型的残差学习机制并未充分利用特征图的信息，特征之间的连续性差，忽略了图像本身与目标之间的关系，而肺结节大小差异过大，肺结节的语义特征较为稀疏，存在小型结节检测率低，容易导致肺结节分割的漏检问题，以及低层信息较多，对血管等干扰像素处理能力差，导致肺结节分割的边界不够精准问题，对ct图像中肺结节病灶区域的分割精度低。


技术实现要素：

5.本发明的目的在于克服现有技术的缺点与不足，提供一种基于改进的v-net网络的肺结节ct图像分割方法，能够充分利用特征细节，提高ct图像中肺结节病灶区域的分割精度。
6.本发明是通过以下技术方案实现的：一种基于改进的v-net网络的肺结节ct图像分割方法，包括步骤：
7.获取待分割的肺结节ct图像；
8.将所述肺结节ct图像输入已训练的改进的v-net网络模型进行分割，得到分割结果图像；所述改进的v-net网络模型包括多层编码层和多层解码层，其中第一层所述编码层
用于对所述肺结节ct图像进行多次卷积操作，将本层的第一次所述卷积操作得到特征图和最后一次所述卷积操作得到特征图进行相加连接操作，并进行下采样操作；
9.第二层所述编码层至倒数第二层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层编码层的下采样操作输出的特征图进行相加连接操作，并进行下采样操作；
10.最后一层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层编码层下采样操作输出的特征图进行相加连接操作，并进行上采样操作；
11.第一层所述解码层用于将最后一层所述编码层的上采样操作输出的特征图与倒数第二层所述编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和最后一层所述编码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
12.第二层所述解码层至倒数第二层所述解码层依次与倒数第三层所述编码层至第二层所述编码层一一层级对应，第二层所述解码层至倒数第二层所述解码层用于将上层解码层的上采样操作输出的特征图与对应层级编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
13.最后一层解码层用于将上层解码层的上采样操作输出的特征图与第一层编码层的连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行卷积操作，得到分割结果图像。
14.相对于现有技术，本发明提供一种基于改进的v-net网络的肺结节ct图像分割方法充分地利用了特征信息，进一步缓解了梯度消失，能够把握特征细节，对小型结节的检测率高，对血管等干扰像素的抗干扰性强，对空洞部分和粘连区域的分割精度高。
15.进一步地，所述改进的v-net网络模型包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第一解码层、第二解码层、第三解码层和第四解码层，其中，所述第一编码层用于对所述肺结节ct图像进行两次卷积操作；所述第二编码层用于对上层编码层的下采样操作输出的特征图进行两次卷积操作；所述第三编码层、第四编码层和第五编码层用于对上层编码层的下采样操作输出的特征图进行三次卷积操作；所述第一解码层、第二解码层、第三解码层和第四解码层用于对本层的所述拼接操作输出的特征图进行三次卷积操作。
16.基于同一发明构思，本发明还提供一种基于改进的v-net网络的肺结节ct图像分割装置，包括：
17.图像获取模块，用于获取待分割的肺结节ct图像；
18.图像分割模块，用于将所述肺结节ct图像输入已训练的改进的v-net网络模型进行分割，得到分割结果图像；所述改进的v-net网络模型包括多层编码层和多层解码层，其
中第一层所述编码层用于对所述肺结节ct图像进行多次卷积操作，将本层的第一次所述卷积操作得到特征图和最后一次所述卷积操作得到特征图进行相加连接操作，并进行下采样操作；
19.第二层所述编码层至倒数第二层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层编码层的下采样操作输出的特征图进行相加连接操作，并进行下采样操作；
20.最后一层所述编码层用于对上层编码层的下采样操作出书的特征图进行多次卷积操作，将本层的第一次卷积操作得到特征图、最后一次卷积操作得到特征图和上层编码层下采样操作输出的特征图进行相加连接操作，并进行上采样操作；
21.第一层所述解码层用于将最后一层所述编码层的上采样操作输出的特征图与倒数第二层所述编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和最后一层所述编码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
22.第二层所述解码层至倒数第二层所述解码层依次与倒数第三层所述编码层至第二层所述编码层一一层级对应，第二层所述解码层至倒数第二层所述解码层用于将上层解码层的上采样操作输出的特征图与同层级编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
23.最后一层解码层用于将上层解码层的上采样操作输出的特征图与第一层编码层的连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行卷积操作，得到分割结果图像。
24.进一步地，所述改进的v-net网络模型包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第一解码层、第二解码层、第三解码层和第四解码层，其中，所述第一编码层用于对所述肺结节ct图像进行两次卷积操作；所述第二编码层用于对上层编码层的下采样操作输出的特征图进行两次卷积操作；所述第三编码层、第四编码层和第五编码层用于对上层编码层的下采样操作输出的特征图进行三次卷积操作；所述第一解码层、第二解码层、第三解码层和第四解码层用于对本层的所述拼接操作输出的特征图进行三次卷积操作。
25.基于同一发明构思，本发明还提供一种基于改进的v-net网络的训练方法，包括步骤：
26.获取用于训练的肺结节ct图像数据集，并进行预处理，所述肺结节ct图像数据集中的肺结节ct图像标记有肺结节掩膜标签；
27.将经过预处理的所述肺结节ct图像数据集输入构建好的改进的v-net网络模型，得到预测结果；所述改进的v-net网络模型包括多层编码层和多层解码层，其中第一层所述编码层用于对所述肺结节ct图像进行多次卷积操作，将本层的第一次所述卷积操作得到特
征图和最后一次所述卷积操作得到特征图进行相加连接操作，并进行下采样操作；
28.第二层所述编码层至倒数第二层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层编码层的下采样操作输出的特征图进行相加连接操作，并进行下采样操作；
29.最后一层所述编码层用于对上层编码层的下采样操作出书的特征图进行多次卷积操作，将本层的第一次卷积操作得到特征图、最后一次卷积操作得到特征图和上层编码层下采样操作输出的特征图进行相加连接操作，并进行上采样操作；
30.第一层所述解码层用于将最后一层所述编码层的上采样操作输出的特征图与倒数第二层所述编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和最后一层所述编码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
31.第二层所述解码层至倒数第二层所述解码层依次与倒数第三层所述编码层至第二层所述编码层一一层级对应，第二层所述解码层至倒数第二层所述解码层用于将上层解码层的上采样操作输出的特征图与同层级编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
32.最后一层解码层用于将上层解码层的上采样操作输出的特征图与第一层编码层的连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行卷积操作，得到所述预测结果；
33.根据所述预测结果与所述肺结节掩膜标签通过损失函数l调整改进的v-net网络模型的超参数，其中，所述损失函数l的表达式为：
[0034][0035]
其中，yb表示第b张所述肺结节ct图像的所述肺结节掩膜标签，表示表示第b张所述肺结节ct图像对应的所述预测结果，n表示批量大小。
[0036]
进一步地，获取用于训练的肺结节ct图像数据集，并进行预处理，包括步骤：
[0037]
生成肺结节ct图像的肺结节掩膜标签；
[0038]
对所述肺结节ct图像及对应的所述肺结节掩膜标签重采样，得到肺结节掩膜标签图像；
[0039]
将所述肺结节ct图像及其对应的所述肺结节掩膜标签图像切割为若干三维patch。
[0040]
进一步地，生成肺结节ct图像的肺结节掩膜标签，包括步骤：
[0041]
获取所述肺结节ct图像的尺寸信息及其肺结节的三维中心坐标和直径；
[0042]
根据所述尺寸信息生成与所述肺结节ct图像同尺寸的三维全0矩阵，并在三维全0
矩阵中，以所述三维中心坐标为中心，以所述直径为边长构建一立方体，确定所述立方体为所述肺结节ct图像的肺结节掩膜标签。
[0043]
基于同一发明构思，本发明还提供一种基于改进的v-net网络的训练装置，其特征在于，包括：
[0044]
数据集获取模块，用于获取用于训练的肺结节ct图像数据集，并进行预处理，所述肺结节ct图像数据集中的肺结节ct图像标记有肺结节掩膜标签；
[0045]
预测模块，用于将经过预处理的所述肺结节ct图像数据集输入构建好的改进的v-net网络模型，得到预测结果；所述改进的v-net网络模型包括多层编码层和多层解码层，其中第一层所述编码层用于对所述肺结节ct图像进行多次卷积操作，将本层的第一次所述卷积操作得到特征图和最后一次所述卷积操作得到特征图进行相加连接操作，并进行下采样操作；
[0046]
第二层所述编码层至倒数第二层所述编码层用于对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层编码层的下采样操作输出的特征图进行相加连接操作，并进行下采样操作；
[0047]
最后一层所述编码层用于对上层编码层的下采样操作出书的特征图进行多次卷积操作，将本层的第一次卷积操作得到特征图、最后一次卷积操作得到特征图和上层编码层下采样操作输出的特征图进行相加连接操作，并进行上采样操作；
[0048]
第一层所述解码层用于将最后一层所述编码层的上采样操作输出的特征图与倒数第二层所述编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和最后一层所述编码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
[0049]
第二层所述解码层至倒数第二层所述解码层依次与倒数第三层所述编码层至第二层所述编码层一一层级对应，第二层所述解码层至倒数第二层所述解码层用于将上层解码层的上采样操作输出的特征图与同层级编码层的相加连接操作输出的特征图进行拼接操作，对所述拼接操作输出的特征图进行多次卷积操作，将本层的第一次所述卷积操作得到的特征图、最后一次所述卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；
[0050]
最后一层解码层用于将上层解码层的上采样操作输出的特征图与第一层编码层的连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行卷积操作，得到所述预测结果；
[0051]
参数调整模块，用于根据所述预测结果与所述肺结节掩膜标签通过损失函数l调整改进的v-net网络模型的超参数，其中，所述损失函数l的表达式为：
[0052][0053]
其中，yb表示第b张所述肺结节ct图像的所述肺结节掩膜标签，表示表示第b张
所述肺结节ct图像对应的所述预测结果，n表示批量大小。
[0054]
进一步地，所述数据集获取模块获取用于训练的肺结节ct图像数据集，并进行预处理，包括步骤：
[0055]
生成肺结节ct图像的肺结节掩膜标签；
[0056]
对所述肺结节ct图像及对应的所述肺结节掩膜标签重采样，得到肺结节掩膜标签图像；
[0057]
将所述肺结节ct图像及其对应的所述肺结节掩膜标签图像切割为若干三维patch。
[0058]
进一步地，所述数据集获取模块获取用于生成肺结节ct图像的肺结节掩膜标签时，包括步骤：
[0059]
获取所述肺结节ct图像的尺寸信息及其肺结节的三维中心坐标和直径；
[0060]
根据所述尺寸信息生成与所述肺结节ct图像同尺寸的三维全0矩阵，并在三维全0矩阵中，以所述三维中心坐标为中心，以所述直径为边长构建一立方体，确定所述立方体为所述肺结节ct图像的肺结节掩膜标签。
[0061]
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
[0062]
图1为现有技术中的v-net模型的网络结构示意图；
[0063]
图2为实施例的基于改进的v-net网络的肺结节ct图像分割方法的流程示意图；
[0064]
图3为实施例的改进的v-net网络模型的网络结构示意图；
[0065]
图4为实施例的改进的v-net网络模型的训练方法的流程示意图；
[0066]
图5为实施例的基于改进的v-net网络的肺结节ct图像分割装置的结构示意图；
[0067]
图6为实施例的基于改进的v-net网络的训练装置的结构示意图。
具体实施方式
[0068]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。
[0069]
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0070]
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
[0071]
在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同
时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0072]
本发明通过将低层的细节特征和高层的语义特征充分拼接融合，提高网络模型对ct图像中难以分割的肺结节病灶区域的分割精度，同时提出一种新的联合损失函数，使训练得到的网络模型具有更高的分割精度。具体通过以下实施例进行说明。
[0073]
请参阅图2，其为本实施例的基于改进的v-net网络的肺结节ct图像分割方法的流程示意图，该方法包括步骤：
[0074]
s11：获取待分割的肺结节ct图像。
[0075]
肺结节ct图像是包含了肺结节病灶区域的ct图像。在具体实施中，可以通过ct扫描仪器进行肺结节ct图像的进行采集，通过有线或无线的方式从ct扫描仪器中获取肺结节ct图像。
[0076]
s12：将肺结节ct图像输入已训练的改进的v-net网络模型进行分割，得到分割结果图像。
[0077]
其中，请参阅图3，其为本实施例的改进的v-net网络模型的网络结构示意图，该模型包括编码器和解码器，编码器用于对输入的待分割的肺结节ct图像进行编码操作，编码器中包括多层编码层，其中第一层编码层对输入的待分割的肺结节ct图像进行多次卷积操作，将本层的第一次卷积操作得到特征图和最后一次卷积操作得到特征图进行相加连接操作，并进行下采样操作；第二层编码层至倒数第二层编码层对上层编码层的下采样操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到特征图、最后一次卷积操作得到特征图和上层编码层的下采样操作输出的特征图进行相加连接操作，并进行下采样操作；最后一层编码层对上层编码层的下采样操作出书的特征图进行多次卷积操作，将本层的第一次卷积操作得到特征图、最后一次卷积操作得到特征图和上层编码层下采样操作输出的特征图进行相加连接操作，并进行上采样操作。
[0078]
解码器用于对编码器输出的特征图进行解码操作，并输出分割结果图像。解码器中包括多层与编码层层级对应的解码层，其中第一层解码层与倒数第二层编码层层级对应，第一层解码层将最后一层编码层的上采样操作输出的特征图与倒数第二层编码层的相加连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和最后一层编码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；第二层解码层至倒数第二层解码层依次与倒数第三层编码层至第二层编码层一一层级对应，第二层解码层至倒数第二层解码层将上层解码层的上采样操作输出的特征图与同层级编码层的相加连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行上采样操作；最后一层解码层与第一层编码层层级对应，最后一层解码层将上层解码层的上采样操作输出的特征图与第一层编码层的连接操作输出的特征图进行拼接操作，对拼接操作输出的特征图进行多次卷积操作，将本层的第一次卷积操作得到的特征图、最后一次卷积操作得到的特征图和上层解码层的上采样操作输出的特征图进行相加连接操作，并进行卷积操作，得到分割结果图像。
[0079]
在一具体实施例中，编码器包括第一编码层、第二编码层、第三编码层、第四编码层和第五编码层，其中，第一编码层用于对输入的待分割的肺结节ct图像连续进行两次卷
积操作，将其中第一次卷积操作得到的特征图和第二次卷积操作得到的特征图进行相加连接操作，得到第一连接特征图；对第一连接特征图进行下采样操作，得到第一下采样特征图。
[0080]
第二编码层用于对第一下采样特征图连续进行两次卷积操作，将其中第一次卷积操作得到的特征图、第二次卷积操作得到的特征图和第一下采样特征图进行相加连接操作，得到第二连接特征图；对第二连接特征图进行下采样操作，得到第二下采样特征图。
[0081]
第三编码层用于对第二下采样特征图连续进行三次卷积操作，将其中第一次卷积操作得到的特征图、第三次卷积操作得到的特征图和第二下采样特征图进行相加连接操作，得到第三连接特征图；对第三连接特征图进行下采样操作，得到第三下采样特征图。
[0082]
第四编码层用于对第三下采样特征图连续进行三次卷积操作，将其中第一次卷积操作得到的特征图、第三次卷积操作得到的特征图和第三下采样特征图进行相加连接操作，得到第四连接特征图；对第四连接特征图进行下采样操作，得到第四下采样特征图。
[0083]
第五编码层用于对第四下采样特征图连续进行三次卷积操作，将其中第一次卷积操作得到的特征图、第三次卷积操作得到的特征图和第四下采样特征图进行相加连接操作，得到第五连接特征图；对第五连接特征图进行上采样操作，得到第一上采样特征图。
[0084]
解码器包括第一解码层、第二解码层、第三解码层和第四解码层，其中，第一解码层用于将第一上采样特征图和第四连接特征图进行concat拼接操作；对concat拼接操作得到的特征图连续进行三次卷积操作，将其中第一次卷积操作、第三次卷积操作和第一上采样特征图进行相加连接操作并进行上采样操作，得到第二上采样特征图。
[0085]
第二解码层用于将第二上采样特征图和第三连接特征图进行concat拼接操作；对concat拼接操作得到的特征图连续进行三次卷积操作，将其中第一次卷积操作、第三次卷积操作和第二上采样特征图进行相加连接操作并进行上采样操作，得到第三上采样特征图。
[0086]
第三解码层用于将第三上采样特征图和第二连接特征图进行concat拼接操作；对concat拼接操作得到的特征图连续进行三次卷积操作，将其中第一次卷积操作、第三次卷积操作和第三上采样特征图进行相加连接操作并进行上采样操作，得到第四上采样特征图。
[0087]
第四解码层用于将第四上采样特征图和第一连接特征图进行concat拼接操作；对concat拼接操作得到的特征图连续进行三次卷积操作，将其中第一次卷积操作、第三次卷积操作和第四上采样特征图进行相加连接操作并进行卷积操作，得到分割结果图像。
[0088]
其中，每一编码层和解码层的连续卷积操作的卷积核尺寸为3
×3×
3，步长为1 ，归一化采用群组归一化(group normalization)进行，激活函数采用relu，通过dropout层对特征图处理以减少过拟合。每一上采样操作的卷积核尺寸为3
×3×
3，步长为2 ，归一化采用群组归一化(group normalization)进行，激活函数采用relu，通过dropout层对特征图处理以减少过拟合。每一下采样操作的卷积核尺寸为3
×3×
3，步长为2 ，激活函数采用relu。第四解码层输出分割结果图像的卷积操作的卷积核尺寸为1
×1×
1，步长为1 ，激活函数采用sigmoid激活函数。
[0089]
本发明还提供上述改进的v-net网络模型的训练方法，请参阅图4，其为该训练方法的流程示意图，该方法包括步骤：
[0090]
s21：获取用于训练的肺结节ct图像数据集，并进行预处理。
[0091]
用于训练的数据集可以使用公开的肺部ct图像数据集，也可以使用自采集并标记的肺结节ct图像构成的数据集。在一具体实施中，可采用公开的luna16(lung nodule analysis16)数据集，其包括888份肺部ct图像，其中肺结节的数量有1186个，这些肺结节都经过专家标记其三维中心坐标及直径。
[0092]
对肺结节ct图像数据集的预处理具体包括如下步骤：
[0093]
s211：生成ct图像的肺结节掩膜标签。
[0094]
具体为，获取数据集中ct图像的尺寸信息，尺寸信息包括宽度、高度和深度，根据该尺寸信息生成同尺寸的三维全0矩阵；获取该ct图像的肺结节的三维中心坐标和直径，在对应的三维全0矩阵中，以肺结节的三维中心坐标为中心，肺结节的直径为边长构建一立方体，该立方体即为该ct图像的肺结节掩膜。
[0095]
s212：对ct图像及其对应的肺结节掩膜标签重采样，得到肺结节掩膜标签图像。
[0096]
具体为，采用阈值的方式提取出感兴趣的肺实质区域，并对肺实质内所有像素的值进行归一化；对层厚大于1mm的ct图像以及其对应的肺结节掩膜标签采用插值法进行重采样，得到所有含有肺结节的ct图像以及其对应的肺结节掩膜标签图像。经过重采样后，所有的ct图像及其对应的肺结节掩膜标签在z轴方向上的体素间隔都为1。
[0097]
s213：对ct图像及其对应的肺结节掩膜标签图像进行切块。
[0098]
将ct图像及其对应的肺结节掩膜标签图像切割为若干三维patch，将每个三维patch作为网络模型的输入数据，可以避免肺结节占ct图像体积过小，导致正负样本不平衡，可以提高训练效率。
[0099]
s22：将经过预处理的肺结节ct图像数据集输入构建好的改进的v-net网络模型，得到预测结果。
[0100]
其中，改进的v-net网络模型与上述ct图像分割方法实施例中所述的改进的v-net网络模型的网络结构相同，在此不再赘述。
[0101]
s23：根据预测结果与肺结节标签通过损失函数l调整改进的v-net网络模型的超参数。
[0102]
其中，本实施例的损失函数l为交叉熵损失函数和骰子(dice cofficient)损失函数的融合。其中交叉熵损失函数在单独使用时，若正样本数量远小于负样本数量时，所训练的模型预测结果将偏向于负样本，而在肺结节ct图像中，肺结节的病灶区域是远小于ct图像背景的，则单独使用交叉熵损失函数对本实施例的改进的v-net网络模型进行训练，将得到预测结果严重偏向背景的模型。骰子损失函数是dice系数的相反数，dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度(值范围为[0,1])，骰子损失函数适用于样本极度不平衡的情况，但是一般情况下，单独使用dice损失函数会对反向传播造成不利的影响，容易使训练变得不稳定。由此，本实施例将交叉熵损失函数和骰子(dice cofficient)损失函数的融合，提出一种新的联合损失函数，损失函数l的表达式为：
[0103][0104]
其中，yb表示第b张ct图像的肺结节掩膜标签，表示表示第b张ct图像经过改进
的v-net网络模型得到的预测结果，n表示批量大小(batch size)。
[0105]
相对于现有技术，本发明提出的改进的v-net网络模型在编码层和解码层增加了本层第一次卷积操作的跳跃连接，低层特征信息可以提供更多肺结节边界轮廓信息，将低层的细节特征和高层的语义特征充分拼接融合，充分地利用了特征信息，进一步缓解了梯度消失，能够把握特征细节，对小型结节的检测率高，对血管等干扰像素的抗干扰性强，对空洞部分和粘连区域的分割精度高。而且增加的跳跃连接使得即使后续卷积操作的梯度接近零，也不会影响前续卷积操作的参数更新，同时跳跃连接操作简单，需要训练的参数量和计算量小，不会影响网络模型的训练效率。此外，新的联合损失函数能够使网络训练过程较为稳定，且能提高模型预测的分割精度。
[0106]
基于同一发明构思，本发明还提供一种基于改进的v-net网络的肺结节ct图像分割装置。请参阅图5，其为本实施例的一种基于改进的v-net网络的肺结节ct图像分割装置的结构示意图，该装置包括图像获取模块31和图像分割模块32，其中图像获取模块31用于获取待分割的肺结节ct图像；图像分割模块32用于将肺结节ct图像输入已训练的改进的v-net网络模型进行分割，得到分割结果图像，其中已训练的改进的v-net网络模型与上述基于改进的v-net网络的肺结节ct图像分割方法实施例中所述的改进的v-net网络模型相同，在此不再赘述。
[0107]
基于同一发明构思，本发明还提供一种基于改进的v-net网络的训练装置。请参阅图6，其为本实施例的一种基于改进的v-net网络的训练装置的结构示意图，该装置包括数据集获取模块41、预测模块42和参数调整模块43，其中数据集获取模块41用于获取用于训练的肺结节ct图像数据集，并进行预处理，所述肺结节ct图像数据集中的肺结节ct图像标记有肺结节掩膜标签；预测模块42用于将经过预处理的所述肺结节ct图像数据集输入构建好的改进的v-net网络模型，得到预测结果，其中改进的v-net网络模型与上述基于改进的v-net网络的肺结节ct图像分割方法实施例中所述的改进的v-net网络模型相同，在此不再赘述；参数调整模块43用于根据所述预测结果与所述肺结节掩膜标签通过损失函数l调整改进的v-net网络模型的超参数，其中，所述损失函数l的表达式为：
[0108][0109]
其中，yb表示第b张所述肺结节ct图像的所述肺结节掩膜标签，表示表示第b张所述肺结节ct图像对应的所述预测结果，n表示批量大小。
[0110]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关细节之处请参见方法实施例的说明。
[0111]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，则本发明也意图包含这些改动和变形。