1.一种残差ECA通道注意力UNet结合TRW‑S的肺结节分割方法,其特征在于,它包括以下步骤:步骤1:读取肺部CT影像,对影像进行预处理;
步骤2:切割出肺结节图片并生成对应的掩膜;
步骤3:对获取的肺结节图片及对应的掩膜进行数据集的划分以获得训练集、验证集、测试集;
步骤4:构建残差ECA通道注意力UNet深度学习网络;
步骤5:将所获得的训练集、验证集输入构建的深度学习网络中进行训练;
步骤6:将所获得的测试集输入训练好的网络中以获得预测图;
步骤7:将预测图输入基于马尔科夫随机场的顺序树加权信息传递算法(TRW‑S)进行边缘平滑;
步骤8:输出预测图像。
2.根据权利要求1所述的方法,其特征在于,在步骤1中,读取目标数据集中指定格式的肺部CT影像;将CT影像的窗位、窗宽进行调整。
3.根据权利要求1所述的方法,其特征在于,在步骤2中,切割出CT图像中具有肺结节的部分,并生成肺结节对应的掩膜图片。
4.根据权利要求1所述的方法,其特征在于,在步骤4中,所构建的残差ECA通道注意力UNet深度学习网络具体为:输入层→卷积模块→第一个残差ECA通道注意力模块→第一个最大池化层→第二个残差ECA通道注意力模块→第二个最大池化层→第三个残差ECA通道注意力模块→第三个最大池化层→第四个残差ECA通道注意力模块→第四个最大池化层→空洞卷积金字塔模块→第一次两倍上采样;
第一次两倍上采样形成的特征图与第四个残差ECA通道注意力模块形成的特征图进行通道融合→第一个ECA通道注意力模块→第二次两倍上采样;
第二次两倍上采样形成的特征图与第三个残差ECA通道注意力模块形成的特征图进行通道融合→第二个ECA通道注意力模块→第三次两倍上采样;
第三次两倍上采样形成的特征图与第二个残差ECA通道注意力模块形成的特征图进行通道融合→第三个ECA通道注意力模块→第四次两倍上采样;
第四次两倍上采样形成的特征图与第一个残差ECA通道注意力模块形成的特征图进行通道融合→第四个ECA通道注意力模块→卷积模块→sigmoid函数→预测图。
5.根据权利要求1所述的方法,其特征在于,在步骤5中,在进行神经网络的训练时,使用二元交叉熵与置信度结合的损失函数,使用Nadam作为优化函数,使用交并比作为模型的评价指标。
6.根据权利要求1所述的方法,其特征在于,在步骤7中对预测图构建马尔科夫随机场,对二元项进行平滑处理,提高分割效果的边缘连续性与区域内部一致性,具体包括以下步骤:
7‑1)在深度学习网络输出的灰度预测图中构建马尔科夫随机场,将图像的每个像素作为马尔科夫随机场的一个节点,使用像素灰度值作为节点的一元项权重;
7‑2)构建基于马尔科夫随机场的顺序树加权信息传递算法(TRW‑S)对分割边缘进行二元项平滑,其中的一元项权重即通过分割网络产生的分割结果的像素数值大小。