文档介绍：基于卷积神经网络的胸片肺野自动分割#秦子亮,李朝锋**(江南大学物联网工程学院,无锡214122)5摘要:针对传统胸片肺野分割方法需要人工干预、提取特征以及对先验知识的依赖性问题,N)的胸片肺野自动分割方法,将X光胸片的分割问题转换为图像块的分类问题。我们将原图像分割成左、右肺,切块处理后分别作为训练样本,利用深度学习自动发现图像块中的潜在特征,为图像块进行分类,并将结果映射成二10值图,得到初步分割结果,再对其进行后处理,合并之后作为最终的分割结果。实验表明,本文方法在公开的JSRT数据集上进行测试,%,,比现有的胸片肺野分割算法更加出色。关键词:卷积神经网络;肺野分割;胸片;分类中图分类号:,LIChaofeng(ofThingsEngineering,JiangnanUniversity,Wuxi,214122)20Abstract:Aimingattheselimitationsoftraditionallungsegmentationmethodswhichmanualfeatureextractionandpriorknowledgeareneeded,N)basedautomaticallysegmentmethodforlungfieldsinchestX-ray(CXR).Firstlywesplittheoriginalimageintotheleftandrightlungsandcutblocksfromthemasthetrainingsamples,Ntoautomaticallydiscoverythepotentialcharacteristics,-%,,:work;lungsegmentation;chestradiograph;classification0引言在医学病理检测中,数字X光胸片肺野分割为医生检测肺区异常病变提供了很重要的价值:分割出的胸片肺野缩小了异常病变的检查范围,为医师检查病变提供了一个感兴趣的区35域。为了提高病变检测的准确性和高效性,很多分割方法被应用到肺区分割上来,这些方法可归纳为四类:1)基于规则的分割;2)基于像素分类的分割;3)基于形变模型的分割;4)多方法联合的分割。基于规则[1]的分割方法往往思路比较简单,通过对图像像素值经过一系列规则和检验步骤处理后来获取感兴趣的目标区域,这些方法主要是根据X光胸片的成像灰度值信息以及解40剖学的先验知识来设置一系列的分割步骤,但是受各分离步骤的影响,尽管通过多种方法串联也不能分割出较理想的结果,鲁棒性不强。基