论文部分内容阅读
X光胸片是肺部疾病检测的重要手段,随着肺部疾病发病率的逐年上升,计算机辅助诊断技术用于临床治疗具有非常重要的意义。然而,X光胸片图像普遍存在肺野边界不清晰、组织间干扰严重的图像质量问题,对肺部组织分割带来很大困难。利用计算机辅助诊断的方式识别胸片图像成为了一个热门的研究方向和重要的趋势,可以缓解区域医疗水平参差不齐的现状。随着深度学习在图像处理领域取得了重要突破,语义分割技术从连续的传统卷积构成的FCN到空洞卷积构成的Deeplab,在复杂场景中都取得了优异的分割性能。使用深度学习的方法分割肺部组织,不仅可以解决传统图像分割方法遇到的局部收敛问题,还能改善区域分割准确性。本文依托于尘肺病分类检测的科研项目,以肺部组织分割作为该项目的工作之一。本文的主要研究内容分别是,在总结传统图像分割方法分割肺部组织不足的基础上,通过改进的FCN和Deeplabv3+来实现肺部组织的分割。具体内容有:(1)总结传统图像分割算法分割肺部组织的不足。在传统图像分割算法中最具代表性的主要有阈值法、图割法、Snake模型和主动形状模型(ASM)。通过实现上述算法,对比分割准确率和可视化结果,总结传统图像分割算法分割肺部组织时的优缺点,并在算法基础上尝试改进。(2)提出了一种改进的FCN分割肺部组织的深度学习方法。将全连接层替换为卷积层的操作,实现了 CNN图像级分类到FCN像素级分类的过渡。在改进的网络结构中,通过添加L2正则化,解决了训练过程中loss震荡的问题;通过数据裁剪去除图像中黑色像素块的方式,解决了分割结果的假阳性问题并提高了分割准确率;为了获得更好的分割细节,在训练时,先后使用32倍上采样和16倍上采样模型作为预训练模型得到最终的8倍上采样模型。通过改进模型的训练方式,分割目标的MIoU可以提升到90.5%。(3)提出了一种改进的Deeplabv3+网络分割肺部组织的深度学习方法。在该方法中,将传统卷积替换为可以获得更大感受野范围的空洞卷积,并在FCN对语义特征信息上采样的基础上,融合语义特征信息和多尺度特征信息。在上采样结构中,Xception网络不仅完善了边界信息,还优化了内存效率。通过调整图像的裁剪尺寸和采样率组合,在公开数据集上取得了 95.3%的MIoU。