CN114972272B 一种基于Grad-CAM的新冠肺炎病灶分割方法 （东南大学）

号一种基于Grad-CAM的新冠肺炎病灶分割方法本发明公开了一种基于Grad-CAM的新冠肺的图像二值化预处理方法增强肺部病灶和健康训练好的分类卷积神经网络中调用Grad-CAM生2步骤2：使用以OSTU为核心的图像二值化预处理方法增强肺部病灶和健康区域的对比步骤4：在训练好的分类卷积神经网络中调用Grad-CAM生成用以进行CT图像分类的特3患者CT的CT图像上使用Grad-CAM识别特征区域，并依据概率大小生成特征区域定位热力为了获得任意类别c的类别判别定位图Grad-CAM首先进行正向传播，计算类权重代表特征映射A下游深层网络的部分线性化，并获得目标类别c的特征映射k的重要性；之后Grad-CAM对前向激活映射进行加权组合，通过ReLU得到类别c的类别判别定位图4[0002]由于RT-PCR存在假阴性率较高等缺陷，会延误对疑似病例的准确诊断。作为RT-学习的方法在CT图像中自动检测新冠肺炎并分割病灶，可以帮助量化新冠肺炎的严重程[0003]由于新冠病毒变异较快，不同毒株造成的病理特征和肺分割算法在训练过程中都须提供一定数量带有分割标签的数据，当新冠病毒发生变异时，部区域，通过进行以OSTU为核心的图像二值化预处理增强肺部病灶和健康区域的对比度，[0012]步骤2：使用以OSTU为核心的图像二值化预处理方法增强肺部病灶和健康区域的5[0021]步骤4：在训练好的分类卷积神经网络中调用Grad-CAM生成用以进行CT图像分类中的占比及空间分布有所差异，同时大多数CT图像也存在着肺部区域空间占比较小的问题，因此对所有CT图像进行裁剪，以尽可能地只保留感兴趣区域(RegionofInterest，方向也有所不同，所以将所有CT图像的方向统一调整为CT图像上方对应人体前方的关系。6后的CT图像进行二值化处理，并将该二值化处理结果和上述二值化处理结果中的对应像是有无病灶这一特点，在对其进行分类的过程中使用Grad-CAM来识别区分二者的特征区7[0051]为了获得任意类别c的类别判别定位图lfraa-cawrGrad-CAM首先进行正向传播，处理，以确定最终病灶分割结果。本发明在大量新冠肺炎胸部CT公开数据集上调用Grad-8[0062]图4是本发明采用的图像二值化预处理方法中边缘区域无效信息去除算法流程于不同设备扫描所得的CT图像而言，肺部区域在整个图像中的占比及空间分布有所差异，同时大多数CT图像也存在着肺部区域空间占比较小的问题，因此对所有CT图像进行裁剪，[0068](2)使用以OSTU为核心的图像二值化预处理方法增强肺部病灶和健康区域的对比9信息的情况下保留了完整了肺部轮廓。之后对经过并运算后的二值化处理结果进行取反，[0093]为完善肺部边缘信息，本发明通过bwperim算法在亮度调整和对比度调整之前的[0100]由于Grad-CAM是一种在分类过程中识别与特定类别相关性最高的特征区域的技[0102](4)在训练好的分类卷积神经网络中调用Grad-CAM生成用以进行CT图像分类的特[0103]由于Grad-CAM可以应用于任何基于CNN的架构，所以可以在网络结构不变的情况练好的SqueezeNet1.1对CT图像进行分类，在分类预测结果为患者CT的CT图像上使用[0104]为了获得任意类别c的类别判别定位图Grad-CAM首先进行正向传播，