[发明专利]基于弱监督多任务学习的新冠肺炎分割方法

权利要求书

1.一种基于弱监督多任务学习的新冠肺炎分割方法，其特征在于，包括：

(1)划分训练集、验证集和测试集：

(1a)获取新冠肺炎患者的计算机断层扫描CT影像数据，将计算机断层扫描CT影像数据通过重采样变换到分辨率为1mm×1mm×1mm的同一空间，并从中选择一个体素值分布均匀、图像清晰的CT影像数据作为模板；

(1b)通过直方图匹配将CT影像的其他数据匹配成与模版数据类似的分布，再将匹配后的CT影像数据按照3：1：1的比例随机划分训练集、验证集和测试集；

(2)构建基于弱监督多任务学习的分割网络WML-SegNet：

(2a)设计不同空洞率和不同尺寸卷积核构成多尺度卷积模块HMS，把现有3D ResUNet最后两层编码层中的卷积层替换成HMS；

(2b)在3D ResUNet下采样的最后一层依次连接两个反卷积模块、一个全连接层，构成分类子网络，并将该分类子网络与3D ResUNet上采样的分割子网络并行连接构成基于弱监督多任务学习的分割网络；

(2c)设定分割网络的损失函数：Loss_all＝β₁Loss_seg+β₂Loss_class，其中，β₁是分割子网络的加权系数，Loss_seg是分割子网络的损失函数，β₂是分类子网络的加权系数，Loss_class是分类子网络的损失函数，β₁＝β₂＝1；

(3)对基于弱监督多任务学习的分割网络进行训练：

(3a)设置最大迭代次数为100；

(3b)将训练集输入到网络编码器中，得到训练集的特征图，将该特征图分别输入到(2b)中的分割网络和分类网络中，得到分割结果和分类结果；

(3c)根据(3b)的两个结果与训练集的分割标签、类别标签，分别计算分割子网络的分割损失值和分类子网络的分类损失值，并将这两个损失值进行加权相加得到网络的整体损失值；

(3d)将(3c)的整体损失值进行反向传播，直到损失函数收敛，得到初步训练后的网络W_i，i为训练的迭代次数，i＝1,2,…,100；

(3e)对初步训练后的网络W_i循环执行(3b)-(3d)过程，每次迭代都将验证集输入到网络W_i中，得到分割结果、分割精度，直到迭代次数达到100时，停止训练，从中选择分割精度最高的网络作为最终训练好的网络W；

(4)将测试集输入到(3e)训练好的网络W中，得到测试集的分割结果、分割精度。

2.根据权利要求1所述的方法，其特征在于，(2a)中的多尺度卷积模块HMS，包括10个卷积核，每三个卷积核串行连接得到三个级联支路，这三者并行连接后再与第十个卷积核串行连接，其中：

第一个卷积核的空洞率d＝2、卷积核大小为3×3×3，

第二个卷积核的空洞率d＝4、卷积核大小为3×3×3，

第三个卷积核的空洞率d＝6、卷积核大小为3×3×3，

第四个卷积核的空洞率d＝2、卷积核大小为5×5×5，

第五个卷积核的空洞率d＝4、卷积核大小为5×5×5，

第六个卷积核的空洞率d＝6、卷积核大小为5×5×5，

第七个卷积核的空洞率d＝1、卷积核大小为1×1×1，

第八个卷积核的空洞率d＝1、卷积核大小为3×3×3，

第九个卷积核的空洞率d＝1、卷积核大小为5×5×5，

第十个卷积核大小为1×1×1。

3.根据权利要求1所述的方法，其特征在于，(2b)中的反卷积模块，均由一个残差块、一个3D反卷积块级联组成，其中：

所述残差块，由一个卷积核大小为3×3×1的卷积核与一个卷积核大小为1×1×3的卷积核并行连接，再与一个卷积核大小为1×1×1的卷积核串行连接组成；

所述3D反卷积块，由反卷积层、批量归一化层、激活层串行连接组成。

4.根据权利要求1所述的方法，其特征在于，(2b)中的全连接层为softmax层。