技术特征：
1.一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，包括以下步骤：s1获取多幅蜂窝肺ct图像，并划分训练集和测试集；s2构建蜂窝肺分割网络模型；s3利用训练集对s2中的蜂窝肺分割网络模型进行训练，得到训练好的蜂窝肺分割网络模型；s4将测试集输入至s3中训练好的蜂窝肺分割网络模型，得到分割后的蜂窝肺ct图像。2.根据权利要求1所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，s1中，将获取的多幅蜂窝肺ct图像的前80％划分为训练集，后20％划分为测试集。3.根据权利要求1所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，s2的具体内容为：构建包含5个编码器与4个解码器的以unet为主干网络的模型，在跳跃连接部分的第一通路添加第一ca模块，在跳跃连接部分的第二通路添加第二ca模块；在跳跃连接的第三通路添加第一下采样特征融合模块，在跳跃连接的第四通路添加第二下采样特征融合模块。4.根据权利要求3所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，在s2中的第一ca模块和第二ca模块分别从蜂窝肺ct图像的高、宽两个方向对特征的空间与位置信息进行增强；具体包括以下步骤：1)沿着低级特征图的垂直与水平方向单独编码分别生成两个单独的方向位置编码特征图，完成输入特征至一维特征映射的转化并对其采取全局平均池化操作；2)第一ca模块和第二ca模块对空间信息编码的同时，从另一维度保存位置信息；3)使用拼接操作将包含位置信息与空间特征的池化矩阵转化为一个特征映射，对其进行通道缩减的卷积与非线性的计算得到特征张量；4)将获取的特征张量拆分为两个特征，分别采用两个二维卷积核传递，每个内核将通道数量增加至预设值，最后使用sigmoid函数激活；5)将注意力图按顺序逐个元素与原始输入相乘，最终获得包含空间与位置信息的高级特征图。5.根据权利要求4所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，高度g处的第x个通道的输出公式如下：相同的，宽l处第k个通道的输出公式如下：
式中，h代表图像的高度；w代表图像的宽度；g代表某一具体值，指某高度；l代表某一具体值，指某宽度；xc代表具体的全局平均池化的操作，x、k为某一具体值，代表第x个通道和第k个通道。6.根据权利要求1所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，s2中的第三通路中的第一下采样特征融合模块为sk(1,2,3)-dffm1模块，其内部包含dffm1模块与1个1
×
1卷积，dffm1模块包含2个5
×
5卷积；s2中的第四通路中的第二下采样特征融合模块为sk(1,2,3,4)-dffm2模块；其内部包含dffm2与1个1
×
1卷积，dffm2模块包含3个大核卷积，分别为9
×
9、7
×
7、5
×
5卷积。7.根据权利要求6所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，dffm1模块接收来自第一通路和第二通路的特征，共包含两条通路，一侧通路采用一个5
×
5卷积层，步长为4，填充大小为2；另一侧通路使用步长为2，填充大小为2的5
×
5卷积层；dffm2由三条路径组成，接收第一通路中的编码器特征的第一分支采用9
×
9卷积层，步长为8，填充尺寸是2；第二分支使用步长为4，填充尺寸为3的7
×
7卷积层；第三分支使用与dffm1模块中右侧分支相同的3
×
3卷积层。8.根据权利要求1-7任一项所述的一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，其特征在于，s3中利用f-dloss损失函数指导蜂窝肺分割网络模型的学习过程，通过对损失方向的优化，得到训练好的蜂窝肺分割网络模型。
技术总结
本发明公开了一种基于类不平衡与多级降采样特征融合的蜂窝肺分割方法，涉及医学图像处理领域。包括以下步骤：s1获取多幅蜂窝肺ct图像，并划分训练集和测试集；s2构建蜂窝肺分割网络模型；s3利用训练集对s2中的蜂窝肺分割网络模型进行训练，得到训练好的蜂窝肺分割网络模型；s4将测试集输入至s3中训练好的蜂窝肺分割网络模型，得到分割后的蜂窝肺ct图像。本发明有助于实现在增加少量模型参数量的基础上，提高模型的分割精度。提高模型的分割精度。提高模型的分割精度。
技术研发人员：李钢 张玲 孙梦霞 孙源瑾 李智超 李玮晨 卫建建
受保护的技术使用者：太原理工大学
技术研发日：2023.07.12
技术公布日：2023/10/15