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！

申请/专利权人：杭州师范大学

摘要：本发明公开一种适用于新型冠状病毒感染的肺部CT图像分割方法，本发明首先对数据集进行数据预处理和数据增广，然后构建网络模型，网络模型包括主干网络、混合上下文感知层和简易注意融合层，图像进入网络模型，先经过主干网络进行编码，然后通过混合上下文感知模块感知全局和局部信息，最后通过简易注意力融合模块进行特征融合并输出图像。经过迁移学习策略训练网络模型后，把待处理的肺部CT图像输入到训练好的模型，输出图像的分割结果。本发明能够在较少注释数据集下训练有效的自动分割肺部CT图像的网络模型，并且提高了分割精度，因此具有较高的应用价值和临床治疗的应用前景。

主权项：1.一种适用于新型冠状病毒感染的肺部CT图像分割方法，其特征在于包含以下步骤：步骤1、构建数据集；获取肺结节CT数据集LIDC-IDRI；获取已分割的新型冠状病毒感染患者的肺部CT图像数据集CovidSegDS；步骤2、数据增广和数据预处理；对肺结节CT数据集LIDC-IDRI和肺部CT图像数据集CovidSegDS中CT图像进行数据增强，最后进行归一化处理将图像强度值限定在一定的范围内；步骤3、构建分割模型LungCTSegNet；分割模型LungCTSegNet包括主干网络、混合上下文感知层和简易注意融合层；所述主干网络采用ResNet网络的前四层，分别用于从输入的CT图像中提取4层特征所述混合上下文感知层包括4个并行的混合上下文感知分支HCA1、HCA2、HCA3、HCA4，分别接收所述主干网络输出的4层特征然后分别对各层特征进行增强；每个HCA分支包括不同的卷积层，具体如下： 其中fi表示扩张率为i、卷积核为3×3的空洞卷积单元；Catx表示连接操作；Conv1×1x和Conv3×3x分别表示卷积核大小为1×1和3×3的卷积单元；表示主干网络提取的特征，k＝1，2，3，4；fHDC表示经过三个空洞卷积后的结果；所述简易注意融合层包括3个串联的简易注意融合模块SAF1、SAF2、SAF3；简易注意融合模块SAF3接收混合上下文感知分支HCA3、HCA4的输出特征，简易注意融合模块SAF2接收混合上下文感知分支HCA2、简易注意融合模块SAF3的输出特征，简易注意融合模块SAF1接收混合上下文感知分支HCA1、简易注意融合模块SAF2的输出特征，3个串联的简易注意融合模块均是利用高级特征生成的注意力权重图来增强低级特征，然后将增强的低级特征与高级特征融合；具体把通道注意力模块和空间注意力模块串联起来，高级特征经过通道注意力模块和空间注意力模块生成注意力权重图，然后增强低级特征，由经过上采样的高级特征和增强的低级特征的总和作为融合特征；其中通道注意力模块中使用平均池，空间注意力模块中使用最大池；具体是： 其中和代表第k级和第k+1级HCA模块提供的特征，k＝1，2，3；符号*表示哈达玛积；Deconv4×4x表示核大小为4×4的反卷积操作；WCA是高级特征经过CA模块后的注意权重矩阵，WSAx是高级特征经过SA模块后的注意权重矩阵；ArgPoolx表示平均池化操作，MaxPoolx表示最大池化操作；σx表示Sigmoid激活函数；步骤4采用两阶段跨域迁移学习策略对分割模型LungCTSegNet进行训练；在第一阶段，使用ImageNet数据对分割模型LungCTSegNet中主网络进行预训练，对主网络参数进行初始化；使用自然图像对预训练后的分割模型LungCTSegNet进行迁移学习；在第二阶段，利用肺结节CT数据集LIDC-IDRI对第一阶段处理后的分割模型LungCTSegNet进行数据水平的迁移学习；步骤5训练策略；将肺部CT图像数据集CovidSegDS按一定比例划分为训练集、测试集和验证集；采用反向传播算法对步骤4迁移学习后分割模型LungCTSegNet中的权重和偏置进行更新；训练迭代过程中利用损失函数进行参数更新；步骤6使用已训练好的网络模型；利用步骤5已经训练好的分割模型LungCTSegNet，对新型冠状病毒感染患者的肺部CT图像进行语义分割，最后得到已分割图像。

全文数据：

权利要求：

百度查询： 杭州师范大学 一种适用于新型冠状病毒感染的肺部CT图像分割方法