[发明专利]一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法

权利要求书

1.一种基于病灶加权损失函数的新冠肺炎CT影像病灶分割图像处理方法，其特征在于：包括以下步骤：

S1、构建基于ResNet50的特征金字塔全卷积网络FPN实现病灶分割：

构建基于ResNet50的特征金字塔全卷积网络FPN，从CT影像中全自动地分割出新冠肺炎病灶，所述FPN使用在ImageNet中预训练好权重的ResNet50网络作为基础网络，

ResNet50网络由基本的残差块构成，每一个残差块包含堆叠的3x3的卷积层和1x1的卷积层，其中，1x1的卷积层通过跳层连接的方式与3x3的卷积层相加，进行残差学习更好地训练深层卷积神经网络；

S2、提出病灶加权损失函数对模型进行训练：

在对分割模型进行训练时，使用基于交叉熵损失函数进一步改进得到的病灶加权损失函数，对病灶中心和病灶边缘分别考虑，通过自适应的权重计算公式，加大病灶边缘区域产生的损失，使模型重点关注病灶边缘处难以分割的区域，所述S2的具体步骤为：

在对分割模型进行训练时，使用病灶加权损失函数，具体为：

对于病灶区域内的每一个体素点i，使用下式计算出其对应的权重P_i

其中，N表示背景区域，即病灶以外的组织，d(i,j)表示体素点i和体素点j的欧式距离，Z是归一化因子，为所述图像内所有病灶区域体素点的权重和，用于保证病灶区域内所有体素点的权重之和为1，对于病灶区域内的每一个体素点，若体素点离非病灶组织越远，则其权重越小，若体素点离非病灶组织越近，则其权重越大；

对于非病灶的体素点i，使用下式计算出其对应的权重N_i

其中，P表示病灶区域，d(i,j)表示体素点i和体素点j的欧式距离，Z是归一化因子，为所述图像内所有非病灶区域体素点的权重和，用于保证非病灶区域内所有体素点的权重之和为1，对于非病灶区域内的每一个体素点，若体素点离病灶组织越远，则其权重越小，若体素点离病灶组织越近，则其权重越大；

在计算出病灶区域内每一个体素点的权重P_i和非病灶区域内每一个体素点的权重N_i后，构建病灶加权损失函数进行模型训练，其计算公式如下

其中，x_i表示分割模型对每一个体素点预测出的属于病灶的概率，x表示分割模型预测出的属于病灶的总概率，y_i表示每一个体素点真实的标签，y表示总的真实的标签，0代表非病灶、1代表病灶，病灶加权损失函数使用病灶加权的交叉熵，对每一个体素点，在计算其交叉熵损失的时候根据其距离病灶边缘的距离进行自适应加权，对于病灶边缘区域赋予较高的权重，对于病灶中心和远离病灶的较容易分割的区域赋予较小的权重，使分割模型在训练时重点关注难度较大的病灶边缘区域，提升分割精度；

S3、利用人工标注的图像对分割模型进行训练：

人工标注CT影像中的新冠肺炎病灶，构建训练集，使用步骤S2中的损失函数对步骤S1所构建的分割模型进行训练；

S4、利用训练好的模型实现新冠肺炎病灶的自动分割图像处理：

在训练好分割模型后，利用训练好的模型实现全自动的新冠肺炎病灶分割图像处理，测试时，将连续的3张CT切片组合成3通道图像，送入训练好的分割模型，即可快速的得到新冠肺炎病灶的分割图像处理结果。