技术特征：
1.基于门控轴向注意力的新冠肺炎ct病灶分割方法，其特征在于：具体包括如下步骤：步骤1，对ct图像进行预处理，并将预处理后的图像数据集分为测试集和训练集；步骤2，构建肺炎ct图像病灶分割网络模型；步骤3，采用步骤1划分的训练集图像对步骤2构建的网络模型进行训练，得到训练好的ct图像病灶分割网络模型；步骤4，将步骤1划分的测试集图像放入步骤3训练好的网络模型中，输出病灶结果。2.根据权利要求1所述的基于门控轴向注意力的新冠肺炎ct病灶分割方法，其特征在于：所述步骤1的具体过程为：步骤1.1，对以nii格式存储的肺部ct数据集中的数据进行格式转换，将三维的ct图像沿着z轴方向进行切片，分解为二维png图像格式；步骤1.2，对所有的肺部ct图像进行标准化，采用线性归一化方法：l
norm
＝(l-l
min
)/(l
max-l
min
)(1)；其中，l是训练的ct图像；l
norm
是归一化的图像；l
min
是图像的最小强度值；l
max
是图像的最大强度值；步骤1.3，将所有归一化处理后的png图像统一裁剪成同一个规格尺寸，对所有裁剪后的图像进行翻转和镜像操作，进行数据集增强；步骤1.4，将步骤1.3处理后的数据集分为训练集和测试集。3.根据权利要求2所述的基于门控轴向注意力的新冠肺炎ct病灶分割方法，其特征在于：所述步骤2的具体过程为：步骤2.1，将卷积操作、实例归一化和激活函数relu组合为一个卷积层模块f，如下公式(2)所示：f＝relu(batchnormalization(conv(x))(2)；步骤2.2，构建残差门控轴向注意力模块rgaa_block；步骤2.3，构建门控轴向注意力模块；步骤2.4，从步骤1.3处理后数据集中任选一幅图像x经过一个卷积核大小为7x7和步长为1的卷积层，得到输出特征o1：o1＝f1(x)(3)；步骤2.5，将o1经过一个卷积核大小为3x3和步长为2通道大小为64的卷积层下采样处理：o2＝downsample1(o1)(4)；步骤2.6，将输出特征o2经过一次rgaa_block1模块组成的卷积层中：o3＝rgaa_block1(o2)(5)；步骤2.7，将输出特征o3使用卷积核大小3x3和步长为2通道为64的卷积层进行下采样处理：o4＝downsample2(o3)(6)；步骤2.8，将输出特征o4经过两次rgaa_block2模块组成的卷积层中：o5＝rgaa_block2(o4)(7)；步骤2.9，将输出特征o5使用卷积核大小3x3和步长为2的卷积层进行下采样处理：o6＝downsample3(o5)(8)；
步骤2.10，将输出特征o6经过四次rgaa_block3模块组成的卷积层中：o7＝rgaa_block3(o6)(9)；步骤2.11，将输出特征o7使用卷积核大小3x3和步长为2的卷积层进行下采样处理：o8＝downsample4(o7)(10)；步骤2.12，将输出特征o8经过一次rgaa_block4模块组成的卷积层中：o9＝rgaa_block4(o8)(11)；步骤2.13，将输出特征o9使用卷积核大小3x3和步长为2的转置卷积层进行上采样处理：o
10
＝upsample1(o9)(12)；步骤2.14，将输出特征o
10
与跳跃连接o7进行通道连接，并经过一个残差块res_block1：o
11
＝res_block1(concat(o7，o
10
))(13)；步骤2.15，将输出特征o
11
使用卷积核大小3x3和步长为2的转置卷积层进行上采样处理：o
12
＝upsample2(o
11
)(14)；步骤2.16，将输出特征o
12
与跳跃连接o5进行通道连接，并经过一个残差块res_block2：o
13
＝res_block2(concat(o5，o
12
))(15)；步骤2.17，将输出特征o
13
使用卷积核大小3x3和步长为2的转置卷积层进行上采样处理：o
14
＝upsample3(o
13
)(16)；步骤2.18，将输出特征o
14
与跳跃连接o3进行通道连接，并经过一个残差块res_block3：o
15
＝res_block3(concat(o3，o
14
))(17)；步骤2.19，将输出特征o
15
使用卷积核大小3x3和步长为2的转置卷积层进行上采样处理：o
16
＝upsample4(o
15
)(18)；步骤2.20，将输出特征o
16
与跳跃连接o1进行通道连接，并经过一个残差块res_block4：o
17
＝res_block4(concat(o1，o
16
))(19)；步骤2.21，将输出特征o
17
经过卷积核大小1x1和步长为1的卷积层：o
18
＝conv(o
17
)(20)。4.根据权利要求3所述的基于门控轴向注意力的新冠肺炎ct病灶分割方法，其特征在于：所述步骤3中，对肺炎ct图像病灶分割网络模型训练时，采用的损失函数为：5.根据权利要求4所述的基于门控轴向注意力的新冠肺炎ct病灶分割方法，其特征在于：所述步骤3中，对肺炎ct图像病灶分割网络模型训练时，采用bce损失来提升模型训练的稳定性，如下公式(22)所示：
技术总结
本发明公开了一种基于门控轴向注意力的新冠肺炎CT病灶分割方法，具体按照以下步骤实施：步骤1、对医生标注好的新冠肺炎CT图像分割数据集进行数据预处理；步骤2、构建基于门控轴向注意力的编解码网络的新冠肺炎CT病灶分割网络模型；步骤3、利用步骤1预处理后的部分新冠肺炎CT图像作为训练集对网络模型进行训练；步骤4、利用步骤1预处理后的剩余新冠肺炎CT图像作为测试集输入所训练好的基于门控轴向注意力编解码网络的新冠肺炎CT图像病灶分割网络模型中，最终输出新冠肺炎病灶分割结果。解决了现有技术中存在的新冠肺炎病灶分割精度不高的问题。不高的问题。不高的问题。
技术研发人员：石争浩 黄倩倩
受保护的技术使用者：西安理工大学
技术研发日：2022.04.15
技术公布日：2022/9/2