基于深度学习和模型集成的肺结节分割方法

针对CT图像中肺结节所占的比率比较小、特征复杂及分割精准度不高的难题,提出了一种基于深度学习和模型集成的肺结节分割方法。该方法在数据采样上,为解决胸部CT图像中存在的类别不平衡问题和避免模型对图像中肺结节位置的过度学习,提出了一种新的随机方向采样方式。首先,将采样图截成64*64的大小;然后,在对CT图像进行分割预测时采用步长为32的遍历预测叠加方式,来避免肺结节被遗漏的现象,以提升模型性能;在分割结果上,提出在卷积网络后连接条件随机场,通过结合肺结节相邻像素点的信息来优化分割的结果;在此基础上,创新性地将多种深度学习模型(U-Net、LinkNet和SegNet)的肺结节分割结果进行集成,从而进一步提升肺结节分割的精准度。在LIDC-IDRI肺结节公开数据库上的实验验证结果表明,该方法可以更有效地提高肺结节分割的精准度,更有助于提升医生对肺癌的诊治水平。