买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安邮电大学申请的专利一种基于CGAN的新冠肺炎CT图像分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114708278B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210351069.3，技术领域涉及：G06T7/11；该发明授权一种基于CGAN的新冠肺炎CT图像分割方法是由王小银;郑敏;孙家泽;舒新峰设计研发完成，并于2022-04-02向国家知识产权局提交的专利申请。

本一种基于CGAN的新冠肺炎CT图像分割方法在说明书摘要公布了：本发明公开了一种基于CGAN的新冠肺炎CT图像分割方法，属于深度学习的医学图像处理领域。主要解决现有方法对新冠肺炎CT图像病灶区域分割效率低，分割准确度差的问题。其方案是：获取新冠肺炎患者的CT图像数据进行数据预处理；使用改进后的DeepLabV3+网络作为生成器，降低网络参数量、提升训练速度；构建了一个包含6层全卷积层的马尔可夫判别器，可以聚焦图像局部细节特征。通过生成器与判别器不断对抗训练，使得生成器最终生成的分割图像能够无限接近标准分割图像。本发明能有效避免模型分割过程中出现细节丢失的问题，提高对病灶区域边缘分割效果；并且大大降低网络参数量，提升了模型整体分割效率，可用于新冠肺炎CT图像的病灶识别。

本发明授权一种基于CGAN的新冠肺炎CT图像分割方法在权利要求书中公布了：1.一种基于CGAN的新冠肺炎CT图像分割方法，其特征包括： 1数据集预处理： 1a将获取到的新冠肺炎CT图像统一裁剪成512×512×3大小，通过镜像、旋转方式使数据集扩增到一定规模； 1b采用中值滤波算法去除CT胸片在设备成像过程中由于肺部各种组织器官的差异以及量子统计涨落产生的椒盐噪点； 1c采用伽马变换的方式对CT胸片进行灰度值校正，增强肺部CT图像对比度，提升图像细节； 2将预处理后的数据集按照3：1：1的比例随机划分训练集、测试集和验证集； 3构建基于Deeplabv3+网络的生成器： 3a采用mobilenetv2网络代替原始xception网络作为Deeplabv3+模型的backbone； 3b采用基于神经架构搜索的密集预测单元代替原始空间金字塔池化ASPP结构；通过搜索370个GPU上的2.8×104个密集预测单元，得到了一种最优的DPC架构，它在多个数据集的特征提取表现上均优于ASPP模型； 3c在mobilenetv2网络和DPC架构之间加入由通道注意力机制和空间注意力机制串联后所构成的CBAM模块； 4构建基于PatchGAN的判别器： 4a设计6层全卷积层的卷积神经网络，除最后一层卷积层外，其余卷积层每层包括批标准化以及LeakyReLU激活函数，每个卷积核大小为3×3，中间各层卷积步长为2，最后一层步长为1，中间层的特征通道数分别为6，64，128，256，512； 4b对于最后的输出层，利用Sigmoid激活函数确保生成的数据值均约束于0,1； 5目标函数设置： 5aCGAN网络的优化过程是找到生成器和判别器之间的纳什均衡，目标函数表示为：LcGAND,G＝Ex,y[logDx,y]+Ex[log1-Dx,Gx] 其中x为输入的新冠肺炎CT原始图像，y为人工分割的标注图像，函数Dx，y表示判别器中输入图像来自人工标注的概率，Dx，Gx表示判别器中输入图像来自生成器的概率； 5b整个模型的优化方向是最大化判别器能够正确鉴定出图像是来源于生成器生成的图像还是人工标注的图像的概率，同时最小化生成器生成出来的样本数据被判别器鉴别出来的概率，目标函数表示为： 5c在损失函数中加入L1距离，公式为：LL1G＝Ex,y[Py-Gx,yP] 5d将CGAN的目标函数和L1距离损失函数结合起来，设置λ＝100，用来平衡两个函数的值，新的目标函数表示为：L*＝G*+λLL1G 6对基于CGAN的新冠肺炎CT图像分割网络进行训练： 6a设置训练最大迭代次数为100，网络在反向传播过程中的参数学习使用Adam优化器β1＝0.5，β2＝0.99，ε＝1e-7，学习率lr＝0.001，mini-batch＝1； 6b固定生成器，保持分割网络的模型参数不变，训练判别器； 6c将原始图像x和真实标签图像y同步输入到判别网络D中，因为已确定输入为真实样本标签，因此计算其损失函数时标签应该为真，即判别网络D理论上输出的结果为“1”，通过比较判别网络D实际输出结果与理论输出结果“1”之间的差值，再采用反向传播算法对判别网络进行更新； 6d将原始图像x输入到生成网络G中，并得到生成网络G输出的生成图像Gx，将图像x和图像Gx同时输入到判别网络D中，因为已确定输入为假样本标签，因此计算其损失函数时标签应该为假，即判别网络D理论上输出的结果应该为“0”，通过比较判别网络D实际输出结果与理论输出结果“0”之间的差值，再采用反向传播算法对判别网络进行更新； 6e固定判别器，保持判别网络的模型参数不变，训练生成器； 6f将原始图像输入到生成网络G中，生成分割图像Gx，之后计算Gx与真实标签图像y的L1距离损失函数值； 6g将分割图像Gx与原始图像x输入到判别器网络D中，判别器网络经过训练后具备一定的辨别真假的能力，所以它的损失函数值能反应分割图像Gx与标记图像的相似程度； 6h结合分割图像与标记图像的空间距离和判别器网络输出的相似程度，然后反向传播更新生成器G的参数； 6i对训练集样本中的所有样本都重复6b和6c的步骤，完成一次训练；通过多次训练，反复优化，当生成器生成的样本图像被判别器鉴别为人工标注的图像时结束训练； 7将测试集输入到6训练好的网络中，得到测试集关于新冠肺炎病灶区域的分割结果以及分割性能评价指标MIoU和MPA。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安邮电大学，其通讯地址为：710121 陕西省西安市长安南路563号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。