[发明专利]一种基于胶囊网络和注意力机制的COVID-19病人识别方法

权利要求书

1.本发明提供了一种基于胶囊网络和注意力机制识别COVID-19病人的方法，方法包括一下内容：

S1：获取待识别的病人CT图像并使用预先训练好的U-net模型进行肺部区域分割；

所述步骤S1对待识别的乐谱图像预处理具体包括以下步骤：

S1-1:获取待识别医学图像的三维图像数据；

S1-2:根据一个预先训练好的U-net模型，去除图像中的不重要区域和残影区域，再进行标准化和尺寸调整；

S2：通过预先训练好的基于胶囊网络和注意力机制的模型的特征提取网络，提取所述待提取医学图像中的关键肺部特征信息；

所述步骤S2的包含内容如下：

S2-1:基于胶囊网络和注意力机制识别COVID-19病人的模型由一个胶囊网络、一个SE注意力网络构成；

S2-2:预处理后的CT医学图像首先被输入到胶囊网络中，该胶囊网络网络由4个卷积层以及一个批处理规范化层和一个最大池化层组成的堆栈进行初始化；

然后，最后一个卷积层用于为后续的胶囊层提供信息；这样能方便后续胶囊结构更加高效的提取特征，具体而言就是通过胶囊结构中定义的路由协议流程能提取更深、更小的特征映射；具体操作就是模型化学添加两层胶囊层，两个胶囊层结构相同，但是使用两层能提取到更加关键的患者级别的特征，最终得到肺部特征图；

S2-3:进一步的说，得到肺部特征图后，将其输入SE注意力网络，该网络包含三个部分，分别是压缩层，激发层和加权层组成，网络通过前面两层学习得到每个通道的权重分布系数，再通过加权层对所有切片进行赋权，目的是加强重点区域的关注，抑制非重点区域的关注，进一步捕获肺部关键特征；

S3：根据所识别的关键肺部特征信息，对该特征信息进行组合池化得到降维特征图，在对降维特征图分析与识别，最终得到肺部CT图像识别的结果；

所述步骤S3的包含内容如下：

S3-1：得到了预先训练好的基于胶囊网络和注意力机制的模型的特征提取部分提取到的最终特征图之后，再将其使用组合池化来进行降维处理；

S3-2：将得到的降维特征图输入到全连接分类网络中去，最终可以得到具体的分类结果。

2.如权利要求1所述的基于胶囊网络和注意力机制识别COVID-19病人的方法，其特征是，所述步骤S2-2中胶囊网络结构的正向传播方法-路由协议可分别用公式表示为：

胶囊网络中每个胶囊由一组神经元组成，一组胶囊构成一个胶囊层，它们共同创建关联实例的实例化向量。

3.底层的胶囊尝试用一个可训练的权重矩阵来预测高层胶囊的输出，式中为底层胶囊对下一层胶囊的预测输出； 表示预测输出与胶囊j的实际输出之间的关联，其中为预测与实际输出的一致系数，为耦合系数的对数先验，胶囊i对下一层胶囊j输出的实际贡献由耦合系数决定 表示应用压平函数前的胶囊输出；如权利要求1所述的基于胶囊网络和注意力机制识别COVID-19病人的方法，其特征是，所述步骤S2-3中SE注意力结构的可用公式表示为：

其中代表着胶囊网络提取到的个体特征图，和是全连接层中可以经过训练得

到的参数，代表着大小为的二维特征图，实际意义就是单个切片的特征图，就是经过SE注意力机制加权之后得到的最终特征图。

4.如权利要求1所述的基于胶囊网络和注意力机制识别COVID-19病人的方法，其特征是，所述步骤S3-1中组合池化采样方法的公式表示为：

第一个公式中的代表着注意力机制加权后的特征图中一个位置的所有切片的值，大小为，n1代表着总的切片数目，代表着降维特征图中的一个位置的值；代表着特征图中的一个具体位置的值，代表着最终得到的降维特征图中的一个位置的值。

5.如权利要求1所述的基于胶囊网络和注意力机制识别COVID-19病人的方法，其特征是，所述步骤S3-2中全连接神经网络的公式表示为：

公式中的W和b是全连接层中经过训练可以得到的参数，用于参数压缩计算；公式最终可以得到预测结果。