基于弱监督多任务学习的新冠肺炎分割方法

摘要

本发明公开了一种基于弱监督多任务学习的新冠肺炎病灶分割方法，主要解决现有方法对不同临床等级患者的影像差异大、分割结果差的问题。其方案是：获取新冠肺炎患者的CT影像数据进行重采样和直方图匹配，划分出训练集、验证集、测试集；设计多尺度卷积模块HMS，以替代现有3D ResUNet分割网络最后两层编码层中的卷积层，并在该网络中增加分类网络，构建基于弱监督多任务学习的新冠肺炎病灶分割网络；用训练集训练该网络并用验证集选择效果最好的训练后模型；将测试集输入到最终训练后模型得到分割结果。本发明能使网络学习到更鲁棒的病灶特征，有效提升不同临床等级患者的病灶分割效果，可用于新冠肺炎肺部CT影像的病灶识别。