(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 202211274016.2 (22)申请日 2022.10.18 (71)申请人 谢振年 地址 100069 北京市海淀区西苑操场1号 集 体 申请人 武宏伟 (72)发明人 谢振年　武宏伟　 (74)专利代理 机构 北京华清迪源知识产权代理 有限公司 1 1577 专利代理师 李楠楠 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) A61B 6/00(2006.01) A61B 6/03(2006.01) (54)发明名称 一种面向肠道部位CT影像的图像处理方法 及系统 (57)摘要 本申请公开了一种面向肠道部位CT影像的 图像处理方法及系统。 首先获取患者CT影像集 合， 对患者CT影像集合进行标注构成样本集； 构 建由编码器与解码器构成的AA CN‑UNet神经网络 模型， 然后利用样本集对AACN ‑UNet神经网络模 型进行训练； 最后将目标肠 道部位CT影像输入到 训练完成的AACN ‑UNet神经网络模型中， 确定图 像处理结果。 本发明将人工智能与医学影像相结 合， 在对肠道部位CT影像的筛查过程中， 可以有 效减低人工的压力， 相比于人工判定， 同时具有 稳定性， 速度快等优势。 权利要求书3页 说明书8页 附图4页 CN 115439471 A 2022.12.06 CN 115439471 A 1.一种面向肠道部位CT影 像的图像处 理方法， 其特 征在于， 所述方法包括： 获取患者CT影 像集合， 对所述患者CT影 像集合进行标注构成样本集； 构建由编码器与解码器构成的AACN ‑UNet神经网络模型， 利用所述样本集对AACN ‑UNet 神经网络模型进行训练； 将目标肠道部位CT影像输入到训练完成的AACN ‑UNet神经网络模型中， 确定图像处理 结果； 其中， 所述构建由编码器与解码器构成的AACN ‑UNet神经网络模型， 所述编码器通过 ConvNeXt ‑t网络作为主干特征提取网络， 并引入通道注意力处理和空间注 意力处理将在不 同级别提取的特 征与对原 始特征进行重新标定； 所述解码器包括通过双线性上采样、 特征串联、 双卷积以及CBAM对编码后的特征进行 解码。 2.根据权利要求1所述的方法， 其特征在于， 利用所述样本集对AACN ‑UNet神经网络模 型进行训练， 包括： 基于交叉熵损失函数和Dice损失函数 得到模型训练的损失函数； loss＝CE loss+diceloss 其中， loss表示损失函数， C E loss表示交叉熵损失函数， dicel oss表示Dice损失函数。 3.根据权利要求2所述的方法， 其特 征在于， 所述交叉熵损失函数根据： 确定， 其中， p为图像的真实标记， 表示预测图像中正确的概率， y表示模型输出的预测 标签； 所述Dice损失函数根据： dice loss＝1‑Dice 确定， 其中， X表示预测图像， Y表示真实图像。 4.根据权利要求1所述的方法， 其特征在于， 所述编码器通过ConvNeXt ‑t网络作为主干 特征提取网络， 包括： stem层， 包括一个卷积核为4 ×4， 步长为4的卷积操作和一个Layer  Norm层以及 dowmsampling与ConvNeXt block层。 5.根据权利要求1所述的方法， 其特征在于， 所述引入通道注意力处理和空间注意力处 理将在不同级别提取的特 征与对原 始特征进行重新标定中， 具体根据： 确定空间注意力对原始特征的重新标定结果 为使用两种池化方法产生的二权　利　要　求　书 1/3 页 2 CN 115439471 A 2维特征图， MLP(MaxPool(F))表示全局平均池化， MLP(MaxPool(F))表示最大池化， W1表示1 ×1的卷积和Relu操作， W0表示1×1的卷积操作， σ 表示将输出的权 重加权到输入特征上； 确定通道注意力对原始特征的重新标定结果； 其中， 为使用两种池化方法产 生的二维特征图， MLP(AvgPool(F))表示全局平均池化， MLP(MaxPool(F))表示最大池化， f7 ×7表示7×7的卷积操作， σ 表示将输出的权 重加权到输入特征上。 6.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 基于所述患 者CT影像集合进行标注构 成样本集得到测试集， 将所述测试集输入到训练 完成的AACN‑UNet神经网络模型中； 根据图像处理结果确定测试集的平均交并比、 召回率、 精准率及F1值， 进而确定AACN ‑ UNet神经网络模型的性能。 7.根据权利要求6所述的方法， 其特征在于， 根据图像处理结果确定测试集的平均交并 比、 召回率、 精准 率及F1值， 包括： 确定测试集的平均交并比、 召回率、 精准率及F1值， 其中， MIOU表示平均交并比、 R表示 召回率， P表示精准率， TP表示被正确分割成肿 瘤区域的像素数量， TN表示被正确分割成背 景区域的像素数量， FP表示将背景区域预测成肿瘤区域的像素数量， FN表示将肿瘤区域预 测成背景区域的像素 数量。 8.根据权利要求1所述的方法， 其特征在于， 所述获取患者CT影像集合， 对所述患者CT 影像集合进行标注构成样本集， 还 包括： 将所述样本集划分为训练集和 测试集， 并对所述训练集进行扩充。 9.根据权利要求8所述的方法， 其特 征在于， 对所述训练集进行扩充的方法包括： 随机旋转图像， 对图像进行水平翻转和垂直翻转， 对图像进行随机裁剪并恢复原本大 小， 调整图像对比度， 调整亮度和饱和度。 10.一种面向肠道部位CT影 像的图像处 理系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取患者CT影 像集合， 对所述患者CT影 像集合进行标注构成样本集； 构建模块， 用于构 建由编码器与 解码器构成的AACN ‑UNet神经网络模型， 利用所述样本 集对AACN‑UNet神经网络模型进行训练； 确定模块， 用于将目标肠道部位CT影像输入到训练完成的AACN ‑UNet神经网络模型中， 确定图像处理结果； 其中， 所述构建 由编码器与解码器构成的AACN ‑UNet神经网络模型， 所权　利　要　求　书 2/3 页 3 CN 115439471 A 3