(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 202210881646.X (22)申请日 2022.07.26 (71)申请人 吉林建筑大学 地址 130118 吉林省长 春市新城大街5 088 号 (72)发明人 王旭　尤天舒　徐勇　王生生　 陈红宇　郭秀娟　富倩　孙伟　 杜丽英　赵越　戴传祗　 (74)专利代理 机构 重庆三航专利代理事务所 (特殊普通 合伙) 50307 专利代理师 万文会 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01) G06T 7/00(2017.01) G16H 50/20(2018.01) G16H 50/80(2018.01) (54)发明名称 一种基于弱监督学习的新冠肺炎CT图像分 割的方法 (57)摘要 本发明提供了一种基于弱监督学习的新冠 肺炎CT图像分割的方法， 包括以下步骤： 先建立 分割网络模型， 模型整体上是编码器 ‑解码器结 构， 在分割网络模型的基础上， 引入了一个分类 模块， 分类模块与分割模块共享一部分隐藏层， 使得整个网络学习到更多的有用特征， 同时改善 了分割结果假阳性的问题； 基于弱监督学习的思 想， 在像素级 图像标签的基础上， 通过分类网络 从额外的图像级标签获取优化后的类激活图作 为监督信息， 增强了模型的分割性能表现。 本发 明通过利用分类网络注意力转移的特性， 提出了 类激活图积累模块， 使 得可以通过分类网络获得 更加完整的类激活图， 从而获得像素级标注结 果。 权利要求书2页 说明书11页 附图5页 CN 115222942 A 2022.10.21 CN 115222942 A 1.一种基于弱监 督学习的新冠肺炎 CT图像分割的方法， 其特 征在于， 包括以下步骤： 先建立分割网络模型， 模型整体上是编码器 ‑解码器结构， 输入图像从一侧的收缩路径 进入， 每进行两次3 ×3卷积操作后， 就会进行一次最大池化操作； 在分割网络模型的基础上， 引入了一个分类模块， 分类模块与分割模块共享一部分隐 藏层， 使得整个网络学习到更多的有用特 征， 同时改善 了分割结果 假阳性的问题； 基于弱监督学习的思想， 在像素级图像标签的基础上， 通过分类网络从额外的图像级 标签获取优化后的类激活图作为 监督信息， 增强了模型的分割性能表现。 2.根据权利要求1所述的一种基于弱监督学习的新冠肺炎CT图像分割的方法， 其特征 在于， 分割网络模型每进 行两次3×3卷积操作后， 就会进 行一次最大池化操作， 在这个过程 中特征图尺寸不断变小， 直到最大池化操作重复进 行四次后， 在 模型的底层， 特征图先经过 一个改进的空间池化金字塔模块， 然后进行两次3 ×3卷积， 在卷积过程中特征图的通道数 翻倍， 然后特征分为两个路径， 向下进入分类模块， 并与类激活图积累模块进行配合， 向上 则进入扩张路径， 首先下层特征图经过上采样后会与来自收缩路径的特征图一同被注意力 门模块计算， 计算后的特征图与下层特征图的上采样结果进行拼接， 然后进行两次3 ×3卷 积操作， 通道数减半， 此操作同样重复四 次， 最后通过一个1 ×1卷积得到分割输出。 3.根据权利要求2所述的一种基于弱监督学习的新冠肺炎CT图像分割的方法， 其特征 在于， 在分割网络模 型的底部获得一个通道数为 1024的特征图， 将特征图流入分类器， 进 行 全局平均池化操作， 全局平均池化强化了特征图与类别 之间的联系， 它直接利用特征图进 行分类， 图像的空间位置信息得以保留， 而且全局平均池化层的参数不会随着训练而变化， 降低了模型的参数量， 能够有效地避免过拟合现象。 4.根据权利要求3所述的一种基于弱监督学习的新冠肺炎CT图像分割的方法， 其特征 在于， 将各个训练轮次的类激活图的显著性区域进行累积， 从而获得更加完整的类激活图 用于后续的分割； 对于一个在第t个epoc h中得到的累计 类激活图Mt， 其可用公式化表述 为： Mt＝CF(Mt‑1， Ct) 其中， CF表示CAM  Fusion， 即类激活图积累操作， Ct表示在第t个epoch中从分类网络计 算得出的类激活图； 对于积累操作， 本实验例采用平均策略， 其公式化表示 为： 即每一个轮次的积累激活图由上一个轮次的积累激活图与本轮次的类激活图求均值 得到， 随着训练的不断进 行， 网络学习到的特征更加准确， 所以本实验例给靠后的类激活图 更大的权值。 5.根据权利要求4所述的一种基于弱监督学习的新冠肺炎CT图像分割的方法， 其特征 在于， 对于一个输入的特征图， 其尺 寸为H×W×512， 先经过一个1 ×1卷积处理尺寸变为H × W×170， 然后进入三个并行的分支， 在每个分支中， 先进行不同比率的分离空洞 卷积处理， 再次进行一次点卷积尺寸变为H ×W×1， 即特征图通过这个点卷积进行了一次降维； 然后通过sigmoid函数计算后成为注意力图， 将所述注意力图与原特征图进行像素间 相乘后再相加， 三个分支进行了相同的操作后拼接起来， 特征图尺寸为H ×W×510， 最后经权　利　要　求　书 1/2 页 2 CN 115222942 A 2过点卷积以及批处 理层、 激活函数的计算后， 特 征图的尺寸恢复为H ×W×512。 6.根据权利要求5所述的一种基于弱监督学习的新冠肺炎CT图像分割的方法， 其特征 在于， 引入 软性注意力模块， 使用下层特征监督上层特征， 对于上下层的输入 特征图inp ut1 和input2， input1作为 从编码器部分复制过来的特征图， 尺寸比input2更大， 同时通道数是 input2的一半； 对于特征图input 1， 维持其尺寸与 通道数不变， 仅对其进行点卷积操作， 并通过激活函 数增强其非线性表达； 对于特征图input2， 通过维持其尺寸与 通道数不变， 仅对其进行点卷积操作， 然后使用 1×1卷积对其进 行数据降维， 通道数减半， 经过如此 处理后的两特征图整体尺 寸一致， 此时 将两者相加， 然后通过一个1 ×1卷积核和sigmoid函数处理， 可以得到一个通道数为1的空 间注意力矩阵， 将这个矩阵与i nput1逐个通道相乘即是最终结果。 7.根据权利要求6所述的一种基于弱监督学习的新冠肺炎CT图像分割的方法， 其特征 在于， 对于 分割任务， 采用Dice损失函数和交叉熵损失函数同时使用的方案， Dice损失函数 从全局出发， 优化预测集合与目标集合的交集， 而交叉熵损失函数从微观上像素 的差距来 进行优化， 两者可以进行互补， 两者配合使用可以平衡Dice损失的剧烈震荡。权　利　要　求　书 2/2 页 3 CN 115222942 A 3