CN114972272B 一種基于Grad-CAM的新冠肺炎病灶分割方法 （東南大學）

號一種基于Grad-CAM的新冠肺炎病灶分割方法本發明公開了一種基于Grad-CAM的新冠肺的圖像二值化預處理方法增強肺部病灶和健康訓練好的分類卷積神經網絡中調用Grad-CAM生2步驟2：使用以OSTU為核心的圖像二值化預處理方法增強肺部病灶和健康區域的對比步驟4：在訓練好的分類卷積神經網絡中調用Grad-CAM生成用以進行CT圖像分類的特3患者CT的CT圖像上使用Grad-CAM識別特征區域，并依據概率大小生成特征區域定位熱力為了獲得任意類別c的類別判別定位圖Grad-CAM首先進行正向傳播，計算類權重代表特征映射A下游深層網絡的部分線性化，并獲得目標類別c的特征映射k的重要性；之后Grad-CAM對前向激活映射進行加權組合，通過ReLU得到類別c的類別判別定位圖4[0002]由于RT-PCR存在假陰性率較高等缺陷，會延誤對疑似病例的準確診斷。作為RT-學習的方法在CT圖像中自動檢測新冠肺炎并分割病灶，可以幫助量化新冠肺炎的嚴重程[0003]由于新冠病毒變異較快，不同毒株造成的病理特征和肺分割算法在訓練過程中都須提供一定數量帶有分割標簽的數據，當新冠病毒發生變異時，部區域，通過進行以OSTU為核心的圖像二值化預處理增強肺部病灶和健康區域的對比度，[0012]步驟2：使用以OSTU為核心的圖像二值化預處理方法增強肺部病灶和健康區域的5[0021]步驟4：在訓練好的分類卷積神經網絡中調用Grad-CAM生成用以進行CT圖像分類中的占比及空間分布有所差異，同時大多數CT圖像也存在著肺部區域空間占比較小的問題，因此對所有CT圖像進行裁剪，以盡可能地只保留感興趣區域(RegionofInterest，方向也有所不同，所以將所有CT圖像的方向統一調整為CT圖像上方對應人體前方的關系。6后的CT圖像進行二值化處理，并將該二值化處理結果和上述二值化處理結果中的對應像是有無病灶這一特點，在對其進行分類的過程中使用Grad-CAM來識別區分二者的特征區7[0051]為了獲得任意類別c的類別判別定位圖lfraa-cawrGrad-CAM首先進行正向傳播，處理，以確定最終病灶分割結果。本發明在大量新冠肺炎胸部CT公開數據集上調用Grad-8[0062]圖4是本發明采用的圖像二值化預處理方法中邊緣區域無效信息去除算法流程于不同設備掃描所得的CT圖像而言，肺部區域在整個圖像中的占比及空間分布有所差異，同時大多數CT圖像也存在著肺部區域空間占比較小的問題，因此對所有CT圖像進行裁剪，[0068](2)使用以OSTU為核心的圖像二值化預處理方法增強肺部病灶和健康區域的對比9信息的情況下保留了完整了肺部輪廓。之后對經過并運算后的二值化處理結果進行取反，[0093]為完善肺部邊緣信息，本發明通過bwperim算法在亮度調整和對比度調整之前的[0100]由于Grad-CAM是一種在分類過程中識別與特定類別相關性最高的特征區域的技[0102](4)在訓練好的分類卷積神經網絡中調用Grad-CAM生成用以進行CT圖像分類的特[0103]由于Grad-CAM可以應用于任何基于CNN的架構，所以可以在網絡結構不變的情況練好的SqueezeNet1.1對CT圖像進行分類，在分類預測結果為患者CT的CT圖像上使用[0104]為了獲得任意類別c的類別判別定位圖Grad-CAM首先進行正向傳播，