1.分割网络Ref‑Net在新冠肺炎CT影像语义分割中的应用,其特征在于,所述分割网络Ref‑Net以Res2Net为主干网络提取多层特征 、 、 、 、 ,基于底层特征保留目标物体的边缘信息,在 后添加边缘注意力模块来生成边缘特征图 ,并使用标准二值交叉熵损失函数来计算其与真值图像生成的真值边缘特征图 的差异性;基于高层富含目标物体的全局定位语义信息,将 输入由通道注意力和空间注意力组成的注意力定位模块得到模糊的预测图 ;在 , , 层分别加入上下文探索模块融合当前特征和上层特征,以消除模糊的预测图中的错误预测,其中 经过注意力定位模块后得到的特征作为第一个CAM的高层特征,经过3个上下文探索模块细化后最终得到清晰准确的预测图;其中,边缘注意力模块由一个只有一个卷积核的卷积层组成,通过该卷积层后得到边缘特征图 ,为了比较边缘特征图和真值图像的边缘特征图 之间的差异性,引入标准二值交叉熵损失函数;差异性损失函数的计算,如式(1)和式(2)所示:, (1)
, (2)其中,w和h分别表示特征映射图的宽和高, 是真值图GT求导得出的真值边缘特征图, 为 经过边缘注意力模块预测的边缘特征图;其中,代表权值,本发明设置其为1;
的两部分 和 分别提供全局监督和局部监督,分割结果更加的准确;
注意力定位模块由通道注意力和空间注意力组成,具体结构为:最深层的输出 作为注意力定位模块的输入特征F,特征F的通道数量、高度和宽度分别记为C、H、W;首先重塑输入特征F分别得到查询(Q)、键(K)和值(V),其中 ,N是指像素个数;然后Q转置后和K之间使用矩阵乘法并通过Softmax层后得到通道注意图 ,通道注意图X中第j个通道对第i个通道的影响具体表示,如式(3)所示:, (3)
其中, 表示矩阵Q的第i行, 表示矩阵K的第j行;
X和V的转置之间同样执行矩阵乘法后,将得到的特征形状大小转换为 ,注意力定位模块还引入比例参数 ,的初始值为1并不断地学习更新权重,最后通过跳跃连接得到最终的通道注意力输出特征 ,其任意一行可以用公式表示,如式(4)所示:, (4)
其中, 表示通道注意力输出特征 的第i行, 表示值V矩阵的第j行, 表通道注意力输入特征的第i行;
空间注意力的具体过程与通道注意力相似, 作为空间注意力的输入经过3个 的卷积并改变卷积结果形状,分别得到新的查询( )、键( )和值( ), ,而 ;同样的 的转置和 之间进行矩阵乘法并归一化后得到空间注意力图 ;空间注意力中第j个位置对与第i个位置的影响 计算方法,如式(5)所示:, (5)
其中, 表示查询 的第i列, 表示键 的第j列;接下来的过程类似通道注意力,和 的转置进行矩阵乘法后改变结果形状,引入比例参数 然后跳跃连接后获得最终输出 ;
上下文探索模块具体结构为:高层预测图进行上采样并归一化与当前级别特征 相乘得到注意前景的特征 ,同时高层预测图上采样、归一化后取反与前级别特征 相乘得到注意背景的特征 , 和 分别送入两个并行的探索模块检测出预测结果中的假阳性区域 和假阴性区域 ;所述探索模块由4个分支组成,每个分支的结构相似, 的卷积用于通道缩减, 的卷积用于局部特征的提取,卷积核大小为、扩张率为 的扩张卷积用于上下文感知,每次卷积后都要进行归一化和ReLU非线性运算;
每个分支进行通道缩减、局部特征提取、上下文感知后都要输入下一个分支进一步处理,最后将4个分支的输出结果在通道维度上叠加并融合;
检测出假阳性区域 和假阴性区域 后,通过以下方式消除假阳性和假阴性,该过程用公式表示,如式(6‑8)所示:, (6)
, (7)
, (8)
其中, 为上级输入特征, 为假阳性和假阴性消除后输出特征,C、B、R分别代表卷积,归一化和ReLU,U代表上采样, 和 都是可学习的比例参数, 和 逐元素相减消除假阳性, 和 逐元素相加来消除假阴性。
2.根据权利要求1所述的应用,其特征在于:注意力定位模块输出的映射图 以及三个上下文探索模块的输出图 、 、 的损失函数,如式(9)所示:, (9)
其中,GT为感染区域分割真值图, 代表将图片 上采样至与真值图GT大小相同。
3.根据权利要求1所述的应用,其特征在于:采用 监督边缘注意力模块的输出,总损失函数用公式如式(10)所示:, (10)。