本发明涉及计算机，尤其涉及一种基于双向分支学习的肺部病变分割方法。
背景技术：
1、间质性肺炎（interstitial pneumonia，简称ip）是一种弥漫性肺部疾病，环境中的真菌孢子、有机尘埃以及系统性红斑狼疮等因素是其易感因素。间质性肺炎对人肺的损害可分为三个阶段。早期主要导致肺泡壁和肺间质发炎，中期会有弥漫性间质纤维化。疾病进入晚期，患者的肺泡壁将纤维化。随着患者病情恶化，患者会出现呼吸困难、酸中毒和低氧血症等症状。在最严重的情况下，会出现呼吸衰竭，导致患者死亡。在间质性肺炎早期，患者的肺功能正常或轻微受损。此时，及时的抗纤维化治疗可以有效预防甚至逆转间质性肺炎的病理过程。因此，及时有效地筛查间质性肺炎对于最大程度地保护患者的肺功能具有重要意义。
2、不同患者在临床表现、影像学和病理特征上有不同类型、不同发展和转变，这导致了诊断的困难。为了准确评估患者的症状，需要多学科的医务人员参与诊断，包括风湿科、呼吸科、放射科、病理科、危重医学科和康复护理等。许多研究表明，计算机断层扫描（ct）可以反映肺实质和间质的异常程度。观察肺小叶的组织结构可以作为早期肺炎病变的有效诊断手段。
3、随着机器视觉的快速发展，相关的深度学习算法被应用于计算机辅助诊断和治疗，从而提高了诊断的效率。基于深度学习的图像分割方法可以诊断医学图像中的疾病类型，并指出病变位置。它是一种有效的智能诊断辅助手段，并已得到广泛而深入的研究。
4、目前主要的医学图像分割方法都基于u形网络，并通过各种创新的卷积结构来提高特征提取和特征融合的能力。然而，由多层卷积单元组成的卷积网络决定了远离空间的特征信息之间的相互作用将明显少于较近特征信息之间的作用。这种不平衡限制了全局上下文信息的提取和表示在一定程度上受限。
技术实现思路
1、本发明的目的就在于为了解决上述问题设计了一种基于双向分支学习的肺部病变分割方法。
2、本发明通过以下技术方案来实现上述目的：
3、基于双向分支学习的肺部病变分割方法，包括：
4、s1、构建分割模型、第一深度监督模块和第二深度监督模块，分割模型包括第一分支、第二分支、卷积整合层和分割输出层，ct图像分别做为第一分支和第二分支的输入，第一分支的输出和第二分支的输出均作为卷积整合层的输入，卷积整合层的输出作为分割输出层的输入，第二深度监督模块用于分割输出层训练期间的深度监督；第一分支包括n个特征提取模块、第一特征融合模块和第二特征融合模块，n个特征提取模块从输入到输出依次连接，第n个特征提取模块的输出和第n-1个特征提取模块的输出均位于第一特征融合模块的输入，第n-2个特征提取模块的输出和第一特征融合模块的输出均位于第二特征融合模块的输入，第一深度监督模块用于第一分支训练期间的深度监督，n为大于2的正整数；
5、s2、获取训练数据集，训练数据集包括ct图像；
6、s3、利用训练数据集、第一深度监督模块和第二深度监督模块对分割模型进行训练优化；
7、s4、获取待分割预测的ct图像；
8、s5、利用训练优化后的分割模型分析待分割预测的ct图像，获得分割结果。
9、本发明的有益效果在于：第一分支构建mlpf模块以融合最后三维特征图并提取病变区域的全局语义特征，保留尺度不变性的全局上下文信息；使用第二分支，从浅层特征中提取边界细节信息；第一分支和第二分支实现了速度和准确性的平衡。
1.基于双向分支学习的肺部病变分割方法，其特征在于，包括：
2.根据权利要求1所述的基于双向分支学习的肺部病变分割方法，其特征在于，每个特征提取模块包括两个卷积块，两个卷积块从输入到输出依次连接，训练优化期间：每个卷积块包括第一卷积层、第二卷积层、第一线性叠加层和标准化层，前一个卷积块的输出分别作为下一个卷积块的第一卷积层、第二卷积层和第一线性叠加层的输入，同一个卷积块的第一卷积层的输出和第二卷积层的输出均作为同一个卷积块的第一线性叠加层的输入，第一线性叠加层的输出作为标准化层的输入，标准化层的输出即为卷积块的输出；训练优化完成后：每个卷积块从输入到输出依次包括第一卷积层和标准化层。
3.根据权利要求1所述的基于双向分支学习的肺部病变分割方法，其特征在于，第一特征融合模块和第二特征融合模块均包括：
4.根据权利要求1所述的基于双向分支学习的肺部病变分割方法，其特征在于，第二分支为深度金字塔聚合模块，深度金字塔聚合模块包括：
5.根据权利要求1所述的基于双向分支学习的肺部病变分割方法，其特征在于，第一深度监督模块和第二深度监督模块从输入到输出均包括第二上采样层、第十卷积层和激活层，第一分支的输出或分割输出层的输出作为第二上采样层的输入，第一深度监督模块的激活层通过sigmoid函数基于训练时的真值计算损失，第二深度监督模块的激活层通过交叉熵损失基于训练时的真值计算损失。
6.根据权利要求5所述的基于双向分支学习的肺部病变分割方法，其特征在于，第一深度监督模块损失ld表示为，其中，p表示所有肺部病变像素的集合，y表示真值中的所有肺部病变像素，γ表示常数，第二深度监督模块的损失表示为loss=ld+α×lm，其中，lm表示最终结果与真值之间的主要损失，α表示权重。
7.根据权利要求5所述的基于双向分支学习的肺部病变分割方法，其特征在于，在s2和s3之间还包括：s2’、采用水平翻转和几何扭曲对训练数据集进行扩充处理；在s3中的训练优化采用扩充处理后的训练数据集进行；
