(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210745891.8 (22)申请日 2022.06.29 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 张杰　王静宜　向坤兰　康孟飞　 张鑫　潘志庚　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 谈耀文 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于半监督迁移学习的新冠肺炎CT图像分 类方法 (57)摘要 本发明公开了一种基于半监督迁移学习的 新冠肺炎CT图像分类方法， 主要包括三个步骤： inf‑net网络分割病灶信息； 像素级融合病灶与 原图； 半监督迁移学习框架对融合后的图像进行 分类。 本发明首先使用inf ‑net网络对火神山医 院的CT数据集进行分割病灶， 同时进行图像融 合， 突出原图的病灶表示， 然后训练半监督迁移 学习框架， 用来对新冠肺炎CT图像的病症进行分 类， 分为普通、 重症和危重症三类。 本发 明将分割 作为辅助任务， 充分利用图片本身信息， 无需外 部标记信息， 针对完全没有标记的原始CT数据集 进行分类， 取得了比现行方法更好的分类效果。 权利要求书2页 说明书6页 附图2页 CN 115049630 A 2022.09.13 CN 115049630 A 1.基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在于， 具体按照以下步骤 实施： 步骤1、 构建感染新冠肺炎的CT图像数据集； 步骤2、 将步骤1获得的数据集放入inf ‑net网络中进行病灶的分割， 加入transformer 模块提高边缘表示； 步骤3、 将步骤2中inf ‑net网络输出的病灶表示与原图进行像素级的融合， 突出病灶在 原图中的表示； 步骤4、 利用已做好分类标记的CT公开数据集对小样本模型进行训练， 作为半监督迁移 学习的预训练模型； 步骤5、 将步骤3融合后的图片放入到经过步骤4训练的半监督迁移学习框架中， 对新冠 肺炎CT图像进行普通、 重症、 危重症的分类， 得到分类准确率。 2.根据权利要求1所述的基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在 于， 所述步骤1具体按照以下步骤实施： 步骤1.1、 将DC M类型的原 始CT图像转 化为png格式图像； 步骤1.2、 对每 张图像的所有像素对应的数值进行求和， 剔除和的数值低 于40000000阈 值的图像， 保留 阈值高于40 000000的图像。 3.根据权利要求1所述的基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在 于， 所述步骤3具体按照以下步骤实施： 对图像进行融合叠加， 将两张图像中的每个像素的值乘以0.5， 然后对应点相加， 最后 输出， 得到新的图像作为半监 督迁移学习网络 框架的输入。 4.根据权利要求1所述的基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在 于， 所述步骤4具体按照以下步骤实施： 步骤4.1、 对已做好分类标记的CT公开数据进行增强， 使用的策略依次为： (1)随机左右翻转， 概 率p＝0.5； (2)随机裁剪， 将图像大小调整为32* 32， 每边填充4， 填充类型为反射； (3)转化为张量， 归一 化至[0‑1]； (4)标准化， 对数据按照通道进行标准化， 均值为(0.4811， 0.4575， 0.4078)， 标准差为 (0.2605， 0.2533， 0.2683)； 步骤4.2、 将增强后的CT公开数据集送入半监督迁移学习神经网络中提取特征表示， 训 练神经网络， 使用resnet50作为特征提取器， 在提取器的末端加入L2归一化层， 使 得特征向 量具有单位长度； 步骤4.3、 将每个类别的样本对应特征向量都作为该类别的权重向量存储到权重矩阵 中； 步骤4.4、 计算样本的特征向量与权重矩阵中对应的各个类别的权重向量之间的内积， 再利用softmax分类器映射 成未归一化的logit分数， 利用softmax激活函数， 从而在所有类 别上产生 概率分布。 5.根据权利要求1所述的基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在 于， 所述步骤5具体按照以下步骤实施： 步骤5.1、 对经步骤3融合后的CT图像进行 数据增强；权　利　要　求　书 1/2 页 2 CN 115049630 A 2步骤5.2、 将经步骤5.1增 强后的数据集放入到半监督迁移学习框架中， 模型框架有两 条网络分支， 分别为 步骤4中的预训练模型和目标模型， 目标模型就是 学习参数的模型； 步骤5.3、 目标模型初始值与 步骤4的预训练模型设置相同， 将待测试数据集中的数据， 一批大小为16， 分批喂入预训练模型和目标模型， 将提取的特征进行AKC正则化， 并更新目 标模型的参数， 再通过ARC正则项将未标记数据与标记数据的分布相似， 并更新目标模型参 数； 步骤5.4、 半监督迁移学习模型的迭代次数设置为50次， 每次喂入模型的一批大小为 16， 使用SGD 优化器， 学习率为0.001， 权重衰减默认为0.001， 动量速率为0.9， AKC和ARC参数 设置为： 正则化权重因子λK＝1、 λR＝50， 阈值K和R默认值为0.7； 设置好参数后， 将待测试数 据集放入到半监 督迁移学习框架中， 得到分类准确率。 6.根据权利要求5所述的基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在 于， 所述步骤5.1中对CT图像进行 数据增强的具体步骤为： 将待测试数据分为标记数据和未标记数据， 对标记数据采用的随机数据增强策略依次 为： (1)随机左右翻转， 概 率p＝0.5； (2)随机裁剪， 当图片大小为224时， 将放缩调整为224/0.875， 随后随机裁剪， 大小为 224； 否则， 随机 裁剪， 高为图片大小， 宽为图片大小乘以0.125， 填充模式为reflect； (3)标准化， 均值为(0.485， 0.45 6， 0.406)， 标准差为(0.2 29， 0.224， 0.225)； (4)添加噪声， 采用高斯噪音， 标准差为0.15； 对于未标记数据， 分为弱数据增强和强数据增强， 弱数据增强的步骤与上述标记数据 相同， 强数据增强是在弱数据增强的基础上， 增 加了随机遮挡， 概 率float＝0.5 。 7.根据权利要求5所述的基于半监督迁移学习的新冠肺炎CT图像分类方法， 其特征在 于， 所述步骤5.3中的AKC正则项和ARC正则项具体为： AKC正则项的输入就是 预训练模型和目标模型提取 出来的特 征向量， AKC的正则项为： 其中， Bl为标记实例， Bu为未标记实例， L表示Bl的微型批次， U表示Bu的微型批 次， W为权 重； ARC表示目标模型中标记数据和未标记数据之间的自适应表示一致性， 使用最大平均 差异MMD来衡量标记数据和未 标记数据的数据分布之间的距离， ARC的正则项为： 其中， QF＊l为所选标记样本的分布， QF＊u为所选未 标记样本的分布； 完整的自适应一 致性由AKC和ARC组成的正则化 为： R( θ )＝ λKRK+λRRR。权　利　要　求　书 2/2 页 3 CN 115049630 A 3