(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211023965.3 (22)申请日 2022.08.26 (71)申请人 桂林理工大 学 地址 541004 广西壮 族自治区桂林市七 星 区建干路12号 (72)发明人 许元号　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/44(2022.01) G06T 5/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) A61B 6/03(2006.01) A61B 6/00(2006.01) (54)发明名称 一种基于嵌入式残差卷积的U型肺炎胸部CT 图像分割方法 (57)摘要 本发明提出了一种基于嵌入式残差卷积的U 型肺炎胸部CT图像分割方法， 主要用于解决胸部 CT图像中肺部虚影区域精确识别分割问题。 本发 明基于编码器 ‑解码器结构， 在编码路径中使用 ResNet50预训练模型作为主特征提取器， 在加深 特征提取网络深度的同时缓解了梯度消失、 模型 退化等问题； 同时设计注意力机制， 并将其嵌入 至解码单元中， 提升模型对虚影的识别能力， 在 保证大量细节特征信息的同时提高模型对肺部 区域特征通道权重的学习； 最后在模 型解码端建 立多尺度特征的融合结构， 丰富不同尺度特征的 语义信息。 从kaggle和Git hub中提取两个 数据集 进行训练， 取得较好的分割效果， 提高了对医生 诊断病情的辅助作用。 权利要求书1页 说明书3页 附图2页 CN 115294093 A 2022.11.04 CN 115294093 A 1.一种基于嵌入残差卷积的U型肺炎胸部CT图像分割方法， 其特征在于， 包括以下步 骤： 步骤1： 构建算法模型， 设计U型网络编码路径模块， 将ResNet50预训练模型设置为编码 端的特征提取器， 模型中4个特 征提取单元与ResNet5 0中的4个Bl ock残差块对应。 步骤2： 设计卷积 ‑批量归一化 ‑激活处理结构， 暂命名为Bridge  Conv， 其中卷积核大小 设为3×3， 采用LeakReLu激活函数， 将步骤1的特 征输出作为Bridge  Conv的输入。 步骤3： 设计注意力机制， 使用CBAM注意力 模块， 重新评估输入特征中的通道重要性。 在 解码器端将步骤2的特征输出作为CBAM的输入， 然后输入到一个与Br idge Conv相同的结构 中， 构成嵌入注意力机制的解码单 元U‑Attention中。 步骤4： 步骤1中的编码单元输出与步骤3中的解码单元进行拼接， 丰富模型的细节特 征， 同时在解码端的后3个解码单元后面设计一步卷积操作， 最后实现模型的多尺度融合， 生成更加精确的像素分割图像。 步骤5： 以Tensorflow为深度模型框架， 实现对以上步骤模型算法的组合搭建。 至此， 基 于深度学习的胸部 CT图像分割模型设计完毕， 接下来进行 数据的处 理。 步骤6： 从k aggle和Github上获得公开的胸部CT图像数据 集， 对两个数据 集进行整合处 理， 形成一个混合数据集。 步骤7： 对原始胸部CT图像继续进行扩增处理， 采用图像翻转、 图像旋转或对比度调整 对数据集进行扩充， 将扩增后的图像执行步骤8， 输入到步骤1所设计的编码器进行全局特 征提取。 步骤8： 调整图像分辨率， 设置为1024 ×1024像素大小； 对每张图像进行绿色单通道提 取， 再进行一系列的对比度增强和降噪处 理。 步骤9： 设计损失函数， 引入焦点损失函数(Focal  loss)作为目标函数， 训练过程 中， 它 降低了简单多样本的Loss贡献， 使模型更加关注学习难以训练且样本较少的目标， 计算公 式： FL(pt)＝‑αt(1‑pt)γlog(pt)， 其中， αt为平衡焦点损失， 代表正负样本比例， pt是预测标 签， γ为调节因子， 当γ为0时， 焦点损失函数相当于分类交叉熵。 随着γ的增加， 调制因子 (1‑pt)的影响同样增 加， 实验证明， 当α 取值 为0.25， γ取值 为2时， 效果 最佳。 步骤10： 设置模型训练超参数， 模型训练过程中使用Adam优化器进行参数调优， 初始学 习率设为0.00005， bat ch_size设置为1， Loss计算过程中采用步骤10中的Focal  loss， 梯度 下降寻优过程中采用可变的学习率， 学习率衰减因子设置为0.01， 且调整学习率等待周期 为10个epoc h。 同时采用5折交叉验证来训练模型， 选出性能指标最佳的模型。 步骤11： 对步骤11训练完成的模型进行保存， 对模型分割效果进行验证， 得到的分割效 果图与原始标签图像进 行比较。 同时， 为了验证步骤3所设计的注意力模型对分割效果的影 响， 模型训练时设计分组对照实验， 将含有注意力机制和 不含有注意力机制的模型框架进 行分割性能对比分析。权　利　要　求　书 1/1 页 2 CN 115294093 A 2一种基于嵌入式残差卷积的U型肺炎胸部CT图像分割方 法 技术领域 [0001]本发明涉及一种利用深度学习进行图像分割方法， 具体为一种基于改进U ‑Net网 络的胸部 CT图像分割方法， 属于图像处 理领域。 背景技术 [0002]RT‑PCR被认为是诊断新冠肺炎的 “金标准”。 胸部CT在肺炎诊断中具有无创、 快捷、 灵敏度高的优势,在肺炎的早期发现、 疑似病例鉴别、 疗效评估中起至 关重要的作用。 然而, 各种病毒性肺炎影像学表现非常相似， 常规影像诊断方法鉴别困难。 近年来， A I辅助诊断系 统在肺结节的检测及诊断中显现出较高的应用价值。 目前， 针对新冠肺炎的Al辅助诊断通 常采用影像组学或深度学习的方法， 然而影像组学病灶需要医生手工标记， 存在主观偏 差， 深度学习的结果可解释性差。 本研究综合深度学习和影像组学的优点， 通过深度学习实现 肺炎病灶的自动、 客观分割， 以诊断和鉴别肺炎 。 [0003]随着深度学习技术的的不断发展， 利用人工智能(art ificial intelligence,AI) 技术分割医学图像取得了很大进展。 新冠患者肺部  CT图像， 感染区域为毛玻璃样阴影及实 变， 斑片状模糊阴影弥漫整个肺区， 极易与肺部气管、 血管等混淆。 因此， 基于A I技术有效分 割新冠肺炎肺部CT图像感染区域极具挑战。 关于新冠肺炎  CT图像辅助诊断研究包括CT图 像感染区域分割和分类两大类。 利用人工智能技术精确划分CTG图像感染区域， 辅助医生进 行诊断是提高新冠肺炎诊断效率和准确率、 减轻医生负担、 减少漏诊和误诊的重要手段。 [0004]近年来， 深度学习在目标检测、 图像识别等计算机视觉领域取得了较大突破， 目前 越来越多的研究人员采用深度学习的方法进行胸部  CT分割。 卷积神经网络通过对原始图 像数据进 行从低层到高层的特征提取， 有效提取高层的语义特征。 最近几年， 研究人员提出 了一种基于全 卷积神经网络的编 码器‑解码器网络架构， 由于该结构对称呈  U型， 故称为U ‑ Net。 发明内容 [0005]为了解决现有分割技术分割不精细的问题， 本发明提供了一种基于改进U ‑Net网 络的胸部CT图像 分割方法。 采用公开的kaggle和  Github上的数据集对模 型进行训练,实现 CT图中肺部阴影的精确分割。 [0006]为了验证模型的分割性能， 本发明的技 术方案为： [0007]步骤1： 构建算法模型， 设计U型网络编码路径模块， 将ResNet50  预训练模型设置 为编码端的特 征提取器， 模型中4个特 征提取单元与 ResNet50中的4个Bl ock残差块对应。 [0008]步骤2： 设计卷积 ‑批量归一化 ‑激活处理结构， 暂命名为Bridge Conv， 其中卷积核 大小设为3 ×3， 采用LeakReLu激活函数， 将步骤1的特 征输出作为Bridge  Conv的输入。 [0009]步骤3： 设计注意力机制， 使用CBAM注意力模块， 重新评估输入特征中的通道重要 性。 在解码器端将步骤2的特征输出作为  CBAM的输入， 然后输入到一个与Bridge  Conv相同 的结构中， 构成 嵌入注意力机制的解码单 元U‑Attention中。说　明　书 1/3 页 3 CN 115294093 A 3