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：福州大学

摘要：本发明提出一种基于改进CE‑Net的肺炎CT图像感染区分割方法及系统，首先，在编码阶段加入注意力机制SE模块引入全局上下文信息，增强特征提取阶段的感受野，加大目标相关特征通道的权重，从而提高小目标的分割能力。其次，引入特征聚合模块,采用双线性插值的方法，融合了不同层次的图像特征，得到更具有判别能力的表达，进一步提高网络的分割精度。本发明在COVID‑19‑CT‑Scans数据集上能够更好的捕捉到CT图像中的肺炎感染区域特征，并有良好的分割效果，对比原始CE‑Net网络和其它分割算法在整体上都有显著的提高。

主权项：1.一种基于改进CE-Net的肺炎CT图像感染区分割方法，其特征在于，包括以下步骤：步骤S1：数据集的数据预处理，将所有CT图像进行图像增强，并寻找出肺实质的轮廓，将轮廓以外的部分裁剪；步骤S2：将步骤S1获得的预处理后的图像输入到网络的编码部分，分别通过残差块ResNet和注意力机制模块SE以提取图的基础特征；步骤S3：将步骤S2所得到的特征输入密集空洞卷积DAC和残差多核池RMP，用于捕获更多的高级特征并保留更多的空间信息；步骤S4：将步骤S2的到的不同尺度的特征输入特征融合模块；所述特征融合模块FAM利用双线性插值的方法将编码过程中得到的不同尺寸的卷积块融合在一起，从而达到特征重用的目的；表达式具体如下；FFAM＝F1+fIF2+fIF3FFAM为融合后的特征，Fi是编码部分第i层输出，fI为插值函数；步骤S5：将步骤S3得到的特征与步骤S4融合后的特征相加后输入到网络的解码器部分，通过上采样和反卷积处理得到分割后的结果，具体表达式如下：Fdst＝fTranconvFFAM+FRMP其中fTranconv表示反卷积函数，Fdst表示输出；步骤S6：通过损失函数对所述分割方法进行优化；在步骤S2中，所述网络的编码部分包括三个部分，第一部分使用1个3×3卷积提取浅层特征F0，第二部分使用4个预训练好的ResNet模块提取深层次特征，第三部分在ResNet模块后加入注意力机制模块引入全局上下文信息，增强特征提取阶段的感受野，加大目标相关特征通道的权重；所述残差块ResNet以浅层特征F0作为输入特征经过两个大小为3×3的卷积核再通过shortcut将输入输出进行加叠输出；所述注意力机制模块SE分为两个操作：挤压和激励，挤压操作将输入的特征图进行全局平均池化操作，目的是为了使每个通道都拥有全局的信息，用数学公式表达如下： 其中X为输入特征图，即每一个残差块的输出，H、W、C分别表示特征图的高、宽和通道数；激励操作阶段用于获取特征图各通道之间的相互依赖关系，该操作首先将挤压得到的向量输入全连接层，得到1×1×Cr的向量，r为设定的常量，使用ReLu函数激活，然后在经过一个全连接层，将通道数由Cr扩大为C，紧接着通过一个Sigmoid函数计算通道的权重系数s，从而实现激励操作，计算公式如下：s＝Fexz,W＝σgz,W＝σW2δW1z2其中σ·为sigmoid激活函数，δ·为ReLu函数，w1，w2两个全连接层的卷积核；最后将权重系数乘以相对应的通道数，得到结果特征图。

全文数据：

权利要求：

百度查询： 福州大学 基于改进CE-Net的肺炎CT图像感染区分割方法及系统