本发明涉及计算机视觉领域，具体涉及一种基于分形维数系数的气道分割方法及系统。
背景技术：
1、随着医学影像技术的发展，ct扫描已成为临床诊断和治疗的重要手段。在基于胸部ct影像的诊断过程中，获取精确的气道的分割对于治疗常见的肺部疾病，如慢性阻塞性肺病(copd)、哮喘、肺癌等具有重要的价值。然而，传统的气道分割方法主要依赖于人工操作，效率低下且准确性有待提高。因此，开发自动且精确的计算机分割气道系统具有重要的价值。
2、近年来，深度学习技术在医学影像处理领域取得了显著成果，为气道分割提供了新的解决方案。现有的一些基于深度学习的气道分割算法在分割精度上相较于传统分割技术有一定的提升，但由于ct图像复杂度高，末端支气管管径小且周围组织环境复杂，分割过程中易受到影响，因此细支气管段的精确分割一直是气道分割领域的一个难题。
技术实现思路
1、本发明的目的在于，针对现有技术的不足，提供一种基于分形维数系数的气道分割方法及系统用于气道树分割，旨在提高细支气管的分割精度。
2、本发明采用的技术方案具体如下：
3、一种基于分形维数系数的气道分割方法，包括以下步骤：
4、获取待分割的肺部ct图像；
5、将待分割的肺部ct图像输入至训练好的三维神经网络，输出获得肺气道分割结果；
6、其中，所述训练好的三维神经网络通过如下方法训练获得：
7、获取数据集，所述数据集的每一样本包含肺部ct图像、气道标签和基于气道标签计算获得的每一像素的分形维数权重和/或气道密度值；所述每一像素的气道密度值为以所述像素为中心的窗口中气道像素值之和与窗口中总像素数量的比值；
8、构建三维神经网络，将数据集的每一样本的肺部ct图像作为输入，三维神经网络输出预测的分割结果；通过最小化损失函数训练三维神经网络，获得训练好的三维神经网络；其中损失函数表征全部像素预测的分割结果与气道标签的差异，损失函数中依据像素的分形维数权重和/或气道密度值设定每一像素的权重，像素的分形维数权重和/或气道密度值越大，该像素在损失函数中的占比越大。
9、进一步地，所述肺部ct图像是值分布在[0,1]的图像。
10、进一步地，所述肺部ct图像通过如下方法处理获得：
11、获取胸部ct图像；
12、对胸部ct图像进行肺部区域提取，去除多余区域；
13、将去除多余区域的图像中hu值在第二hu阈值以下的区域置0，将图像中hu值在第三hu阈值以上的区域置1，将图像中hu中在第二hu阈值到第三hu阈值这个区间的区域根据hu值均匀缩放到区间0-1中，获得肺部ct图像。
14、进一步地，所述三维神经网络的结构采用3dunet、nnunet、transunet或airwaynet。
15、进一步地，所述每一像素的分形维数权重通过如下方法计算获得：
16、在气道标签上，计算以每一个气道像素为中心的窗口内的局部分形维数；再对不同窗口重叠区域的像素取平均值后进行归一化得到每一像素的分形维数权重。
17、进一步地，所述损失函数表示如下：
18、loss＝ω1*loss_f d+ω2*loss_d
19、ω1、ω2分别为权重，loss_f d、loss_d分别表示基于像素的分形维数权重、气道密度值构建的第一损失函数、第二损失函数。
20、进一步地，所述基于像素的分形维数权重构建的第一损失函数为表示如下：
21、
22、式中，ωif表示第i个像素的分形维数权重，gi表示第i个像素网络输出的分割结果，li表示第i个像素的气道标签，α为超参数，m表示肺部ct图像的像素数量；
23、所述基于像素的气道密度值构建的第二损失函数为表示如下：
24、
25、式中，ωid表示第i个像素的气道密度值。
26、进一步地，还包括：采用滑窗对待分割的肺部ct图像进行多次预测，最后统计每个像素在不同滑窗内预测的分割结果，将被预测为气道像素的次数大于阈值的判定为气道像素。
27、进一步地，还包括：对图像预测的分割结果通过计算连通区域的大小，选取其中第二大连通区域作为最终分割结果。
28、一种基于分形维数系数的气道分割系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于分形维数系数的气道分割方法。
29、本发明具有以下有益效果：
30、1、本发明采用了深度学习作为分割方法，构建三维全卷积神经网络，可以实现肺气道的全自动分割，降低了人工成本。
31、2、细支气管段的精确分割一直是气道分割的难点，本发明使用了分形维数系数来帮助模型分割气道；通过气道标签形态计算出气道标签中每一像素的分形维数，通过像素的分形维数来设定训练样本中对用像素的权重；通过分形维数来指导模型进行训练，最终可以提高分割深度以及细支气管段的分割精度，为医生诊断提供更精确的结果。
1.一种基于分形维数系数的气道分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述肺部ct图像是值分布在[0,1]的图像。
3.根据权利要求2所述的方法，其特征在于，所述肺部ct图像通过如下方法处理获得：获取胸部ct图像；
4.根据权利要求1所述的方法，其特征在于，所述三维神经网络的结构采用3dunet、nnunet、transunet或airwaynet。
5.根据权利要求1所述的方法，其特征在于，所述每一像素的分形维数权重通过如下方法计算获得：
6.根据权利要求1所述的方法，其特征在于，所述损失函数表示如下：
7.根据权利要求6所述的方法，其特征在于，所述基于像素的分形维数权重构建的第一损失函数为表示如下：
8.根据权利要求1所述的方法，其特征在于，还包括：采用滑窗对待分割的肺部ct图像进行多次预测，最后统计每个像素在不同滑窗内预测的分割结果，将被预测为气道像素的次数大于阈值的判定为气道像素。
9.根据权利要求1所述的方法，其特征在于，还包括：对图像预测的分割结果通过计算连通区域的大小，选取其中第二大连通区域作为最终分割结果。
10.一种基于分形维数系数的气道分割系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的一种基于分形维数系数的气道分割方法。
