1 绪论
1.1 研究背景及意义
2019 年 12 月以 来，新 型 冠 状 病 毒(COVID-19)以飞快地速度在全球传播。截止到 2020 年 9 月 18 日，世界上确认感染人数达 3 千万[1]。该疾病具有高度传染性，在严重病例中会出现呼吸急促和器官衰竭等症状。然而，COVID-19患者通常早期不易被发现，主要原因：一是 COVID-19 早期症状没有明显的特征，表现出的症状较弱；二是 COVID-19 病灶区域太小，医生用肉眼很难识别，这也导致了很多误诊和漏诊情况的发生。很多研究表明，使用计算机断层扫描(CT)可以用来检测肺部是否出现 COVID-19 病灶区域，为患者病情诊断提供了可靠的依据，也为患者治疗疾病争取了宝贵的争取时间。CT 检查能够呈现出肺部组织结构、病灶区域大小及位置[2]。因此，在 COVID-19 病灶诊断中医生会采用 CT检查来作为诊断结果的依据，其主要优点是：图像清晰，扫描速度快。但是由于肺部 CT 图像扫描序列后的数量增多，如果仍然采用人工操作处理肺部 CT 图像，则容易出现工作效率较低和诊断结果准确率有误等情况[3]。
在医学影像技术越来越成熟化的同时疾病表现出的症状也越来越复杂，因此合理有效的利用医学影像技术有助于病情诊断。图像分割的过程是：利用图像分割技术提取图像的特征要素，将具有相似特征的图像区域划分出来。提高医学影像分割的准确率对临床医学上的病理分析和病灶区域识别起到举足轻重的帮助。[4]在临床上主要对两类目标区域进行分割，一是病灶区域，通过医学图像分割算法将目标区域（病灶）分割出来。二是器官，将整个器官作为需要检查的目标区域，减少了目标区域不断变化的影响因素，特别是肺部[5]。
目前为止，临床医学使用最广泛的治疗方式是计算机辅助诊断技术。计算机辅助诊断技术的不足是在数据集较小的情况下，需要提高对病情诊断的正确率。[6]由于 CT 图像往往会出现图像质量差，噪声干扰和图像中各个器官组织边缘界限不明显等问题，仍需要人工对其进行识别分割。因此自动分割技术还未完全取代人工分割算法。基于 CT 图像的分割研究主要有：肺部分割，肝脏分割和心脏分割等。本论文研究的内容是：肺部 CT 图像的 COVID-19 病灶区域研究。准确的识别分割出 COVID-19 病灶区域有助于医生对针对性的患者治疗，为临床医学提供了可靠的依据。基于 CT 图像疾病研究可分为：一是分类，提取目标区域进行分割并对其归属到所属的类别；二是分割，利用分割算法将目标区域分割出来。
..........................
1.2 国内外研究现状
1.2.1 传统的图像分割方法
常见的传统的图像分割方法有：
（１）阈值法
图像分割中最常用的方法就是阈值法[8]。该方法对图像进行分割时将灰度值相同的像素划分为相同的种类。阈值法分割主要有：一、局部阈值法，设置多个不同的阈值来分割目标区域和背景。二、全局阈值法，设置一个固定的阈值来分割目标区域和背景。优点：计算速度快，图像对比度越强分割效果越好；缺点：不合适分割对比度弱和存在噪声的图像。Prewitt 等人提出的全局单阈值分割方法，该方法的阈值是灰度直方图双峰之间谷对应的灰度值[9]。由于图像中不同区域中目标区域和背景具有不同的对比度，因此，采用一个固定的阈值来对目标区域和背景分割具有一定的局限性。通常会对图像中不同区域采用不同的阈值进行分割。
（２）边缘检测法 边缘检测是指对目标区域和背景之间存在的边缘分割[10]。优点：图像的边缘灰度值差越大分割效果越好；缺点：图像存在噪声、边缘轮廓复杂，则分割效果较差。边缘检测通常用到的算子包括：Sobel 算子、Roberts 算子、Prewitt 算子等。 张伟[11]对算法进行了改进，利用改进后的算法对４个方向的元素计算，将计算结果进行加权操作之后得到最终的图像。通过卷积操作使得图像的边缘和背景的对比度增加，背景之间的对比度不断减弱，从而使得边缘变得愈加明显。
（３）区域分裂合并法
区域分裂合并法[12]：是指将图像进行多次分割，然后合并特征相同区域。优点：适合分割复杂的图像；缺点：时间复杂度和运行复杂度高。
............................
2 相关理论基础
2.１卷积神经网络
深度学习已经被广泛应用于包括计算机视觉、医学图像分析等领域。卷积神经网络[37]（Convolutional Neural Networks, CNN）利用其权重共享的特性减少了网络的参数量，减少了网络运行复杂度提高了其运算效率。在图像处理相关领域中[38]，利用深度学习算法自动学习提取图像的特征信息，避免了人工操作带来的耗时和低准确率发生的情况。卷积层中相邻层神经元局部相互连接[39]。减少训练模型的参数。全连接网络和卷积网络数据输入形式不同。卷积神经网络输入的是图像，即包括图像的长、宽和通道数的三维向量。
2.1.1 神经网络
软件工程论文怎么写
图 3 所示的神经网络有三层，特征值 X1、X2、X3 是第 0 层，是该网络的输入层，第 1 层和第 2 层属于隐藏层，包括四个神经元数目。索引值从“０”开始，神经网路的层数用 L 表示，则 L=3， n[0] = n[Ｘ]= 3； n[1]= n[2]=4，n[3]=n[L]= 1,即输出单元为 1。
....................................
2.2 深度学习的图像分割算法
基于深度学习的图像分割算法主要有以下两种：
（１）基于卷积神经网络的图像分割算法：利用各个卷积层之间存在的空间信息，通过卷积操作提取并计算目标图像的特征信息。可以用来解决图像分类、分割和图像识别问题[60]。
（2）基于全卷积神经网络的图像分割算法：全卷积神经网络（FCN）模型可以对图像中每个像素进行语义标注。卷积操作可以将图像中的要素确切的识别标记，保证了融合整体图像像素的语义标注[61]。池化操作的优点：增大感受野，聚合更多的语义信息，缺点：丢失原图位置信息，提取到较少的特征信息。将跳跃连接结构引入到编码器与解码器之间，有助于解码器快速且准确的恢复图像尺寸和特性信息。利用卷积神经网络可以解决图像级问题，将图像要素（目标区域和背景）进行分割，图像语义分割的任务包括对识别标注目标的类别[62]。全卷积神经网络可以提高卷积神经网络在图像分割领域应用的广泛性。该方法的优点：可以将原始图像分割成任意尺寸且耗时较少。
基于深度学习的图像分割算法优点：
（1）神经网络可以根据设计好的规则自主选择和删除特征信息，提高了图像识别和分割效率。 （2）卷积神经网络训练的网络模型的参数量较小，训练模型时方便调整参数。 （3）训练的卷积神经网络具有抗干扰能力，能够快速且准确的读取不断变化的数据。
缺点：
（1）卷积运算的运算复杂度和时间复杂度都很高 （2）网络模型具有各自的实用性，需要通过阅读大量文献、消耗大量时间设计新的网路结构。
...............................
3 基于 U-Net-SCB 网络的肺部 CT 图像 COVID-19 病灶分割 ............................... 19
3.1 引言.......................................... 19
3.2 基于 U-Net-SCB 网络的肺部 CT 图像 COVID-19 病灶分割算法 ............... 19
4 基于卷积神经网络的肺部 CT 图像 COVID-19 病灶分割算法 ........................... 27
4.1 引言................................. 27
4.2 基于卷积神经网络肺部图像模型.................................... 27
5 结论.................................... 38
5.1论文工作总结................................. 38
5.2 研究展望...................................... 39
4 基于卷积神经网络的肺部 CT 图像 COVID-19 病灶分割算法
4.1 引言
肺部 CT 图像存在 COVID-19 病灶边界不明显和区域太小难以识别等问题，在利用第三章所提算法对 COVID-19 病灶分割时仍会存在分割不准确的问题。但由于注意力机制可以使网络更加关注目标区域，提高网络对图像分割的性能。因此本章在原始 U-Net 模型上引入密集连接模块、ASPP 和 CBAM，设计出基于卷积神经网络的肺部 CT 图像 COVID-19 病灶分割算法[81]。
本章算法流程如图 21 所示：
软件工程论文参考
5 结论
5.1 论文工作总结
目前，医学影像作为辅助临床医生诊断病情工具，在医学图像分割领域展开了广泛地应用。为了提高肺炎患者的生存率，必须采用早发现早治疗手段。因此，早发现对治疗肺炎患者至关重要。应用计算机处理技术帮助医生检测肺部和肺炎区域，有效避免漏诊和误诊情况的发生，更有效帮助患者病情的治疗。因此，提高肺部和肺炎区域图像分割的准确率在临床上具有重要意义。
由于深度学习模型在处理复杂信息方面表现的性能更好，因此，本文采用了 基于卷积神经网络的肺部 CT 图像 COVID-19 病灶分割算法。与其他的神经网络模型相比，U-Net 模型的优点是：在训练集较小的情况下，对图像分割仍然具有较高的准确率。卷积神经网络实现过程是：经过几轮卷积与池化操作，图像会缩小到一定的大小，然后输入到全连接层来训练模型。U-Net 模型的不同点是：U-Net 模型在全连接层之后添加了上采样操作，保证了输出和输入的图像大小一致。上采样与下采样对应，是一种增大图像分辨率的操作过程。通过反池化操作可以逐渐恢复图像的尺寸。池化操作使得图像特征信息有所丢失，该过程是不可逆的。然而，反池化操作可以看作是近似恢复图像特征信息的过程。
与其他模型相比，U-Net 模型在医学图像处理方面表现出的性能更佳。因此，本文基于 U-Net 模型进行改进，设计了一个用于处理处理肺部 CT 图像分割问题的算法。相比经典 U-Net 模型，本文使用的算法的创新点主要是：
（1）引入了密集连接模块。其优点是：可以在保证各个层的信息紧密相连的情况下，连接网络的所有层。每一层将先前它所有层的输入特征融合，并将输出的特征图传递给它之后的所有层。
（2）引入 ASPP 模块。增加图像特征信息的感受野，提高图像特征的鲁棒性。
（3）引入 CBAM。在学习深层次的特征信息时进行注意力监督，可以有效提取肺部图像要素的特征信息。
在算法实现模块，主要采用了 TensorFlow 为后端的 Keras 开源框架。使用 Python 语言实现基于肺部 CT 图像 COVID-19 病灶分割处理，主要包括实验环境、参数配置、数据预处理等。在数据预处理阶段采用了原始图像直方图均衡化，中值滤波，增加图像的对比度、减少噪声影响，并且通过图片旋转、翻转、缩放（按比例扩大或缩小图片）、增加图像亮形成新的图像进行数据增强。采用准确率、召回率和精确率三项指标对网络性能评价。
参考文献（略）