一种针对新冠肺炎临床分型的CT影像对比特征学习方法技术

本发明专利技术公开了一种针对新冠肺炎临床分型的CT影像对比特征学习方法，包括以下步骤：S1、基于FPN的全自动肺分割算法；S2、构建特征学习网络；S3、样本对构建；S4、对比特征学习。本发明专利技术采用基于特征对比学习的卷积神经网络模型，通过结合特征距离与交叉熵损失函数，可使得同一类别的样本其深度学习特征相似，不同类别的样本其深度学习特征差异大，进而对特征进行优化，提升分类精度。可以将本发明专利技术的CT影像对比学习方法用于对新冠肺炎CT影像进行全自动图像处理，进而实现新冠肺炎的临床分型诊断。

【技术实现步骤摘要】
一种针对新冠肺炎临床分型的CT影像对比特征学习方法
本专利技术涉及一种医疗技术，尤其涉及一种针对新冠肺炎临床分型的CT影像对比特征学习方法。本专利技术还涉及将所述CT影像对比特征学习方法用于对新冠肺炎CT影像进行全自动图像处理的用途。
技术介绍
新冠肺炎的临床分型可反映新冠肺炎的严重程度，根据临床分型的不同，所采取的治疗策略有所不同；在新冠肺炎患者的管理流程中，新冠肺炎的临床分型也是判断患者是否满足出院条件的标准之一。新冠肺炎临床分型的金标准需要通过医生对CT影像进行判读、并结合血氧饱和度等生化指标来进行判断，一定程度上会受到医生的主观判读的影响。目前常用使用仅采用单个神经网络进行CT影像分类的方法，主要从单个CT影像中挖掘高维度信息，忽略了对不同样本间的差异性进行学习，这种方法的主要缺陷是精读较低，以通过这种方法获得的信息辅助新冠肺炎的临床分型，不仅效率较低，而且容易造成后续新冠肺炎临床分型的误诊。因此，本专利技术设计了一种针对新冠肺炎临床分型的CT影像对比特征学习方法，该方法通过对不同样本间CT影像的差异性进行学习可以进一步提升新冠肺炎临床分型的诊断精度。
技术实现思路
本专利技术的目的是提供一种针对新冠肺炎临床分型的CT影像对比特征学习方法。通过使用新型的对比特征学习的方式每次从两个样本中进行特征的差异性学习，最终挖掘出在同一种临床分型中具有高度一致性、在不同的临床分型中具有高度差异性的CT影像特征，进而提升新冠肺炎临床分型的分类诊断精度。通过该方法可实现新冠肺炎临床分型诊断的全自动图像处理，方便推广应用，避免人工判断临床分型造成的主观性差异和耗费的人力劳动。在第一个方面中，本专利技术涉及一种针对新冠肺炎临床分型的CT影像对比特征学习方法，其包括以下步骤：S1、基于FPN的全自动肺分割算法构建基于DenseNet的特征金字塔（FeaturePyramidNetwork）全卷积网络，从CT影像中全自动地分割出肺部区域；在一个具体的实施方式中，所述S1具体包括以下步骤：构建基于DenseNet121的特征金字塔（FeaturePyramidNetwork）全卷积神经网络，从CT影像中全自动地分割出肺部区域，所述FPN网络使用在ImageNet中预训练好权重的DenseNet121网络作为基础网络，然后通过特征金字塔的形式从DenseNet中的每一个Dense块中抽取最后一层卷积层的输出作为多尺度的特征，然后将不同尺度的特征逐级上采样并进行拼接，最后，通过全卷积网络的方式得到分割出的肺区域，即肺部ROI（RegionofInterest）；S2、构建特征学习网络使用三维的ResNet50作为特征提取网络，进行肺部CT影像的特征提取；在一个具体的实施方式中，所述S2具体包括以下步骤：在通过步骤S1全自动地从CT图像中分割出肺区后，使用三维的ResNet50作为特征提取网络，对肺部ROI图像进行特征提取，ResNet50网络由多组堆叠的残差块构成，每一个残差块包含堆叠的3x3的卷积层和1x1的卷积层，其中，1x1的卷积层通过跳层连接的方式与3x3的卷积层相加，进行残差学习，可更好地训练深层卷积神经网络；优选地，可以使用其他卷积神经网络作为特征提取网络替代ResNet50；S3、样本对构建在训练集中，每次随机抽取两个样本，构建样本对，若两个样本具有相同的临床分型，则将该样本对的标签赋为1，若两个样本具有不同的临床分型，则将该样本对的标签赋为-1；S4、对比特征学习基于步骤S2中的特征提取网络构建权重共享的孪生网络，分别用于提取步骤S3的样本对中的两个样本的特征，然后，提出对比特征损失函数，对两个样本的特征的距离进行度量，使同一类样本间特征距离相近，不同样本类别间特征距离较远；再结合交叉熵损失函数，实现模型的对比特征学习；在一个具体的实施方式中，所述S4具体包括以下步骤：在S3步骤中构建好样本对后，基于步骤S2中的特征提取网络构建权重共享的孪生网络，分别用于提取步骤S3的样本对中的两个样本的特征，在样本对中的两个样本分别经过两个特征提取网络后，将产生各自对应的深度学习特征，然后采用公式1所示的对比特征损失函数，对两个样本的深度学习特征的距离进行度量，使同一类样本间特征距离相近，不同样本类别间特征距离较远，进而保证类内的特征一致性和类间的特征差异性，公式1其中，对于样本对xi和xj，其对应的样本对标签为Pi,j，Pi,j由步骤S3获得，当样本xi和xj属于同样的样本类别临床分型时，Pi,j=1，当样本xi和xj属于不同样的样本类别临床分型时，Pi,j=-1，fi和fi分别表示样本xi和xj对应的深度学习特征，进而获得特征对比损失函数LF；在所述S4中，进一步地使用公式2所示的损失函数Loss作为最终的损失函数对模型进行训练，公式2其中，和分别表示样本xi和xj对应的交叉熵损失函数，其计算公式如下：公式3其中，yi表示样本xi真实的临床分型，1代表重型，0代表轻型；表示模型预测的样本xi的临床分型，其取值在（0,1）范围内，最后，使用Adam优化算法对公式2所示的损失函数进行优化，直至模型收敛。在第二个方面中，本专利技术涉及一种对新冠肺炎CT影像进行图像处理的方法，所述方法使用上述针对新冠肺炎临床分型的CT影像对比特征学习方法对CT影像进行全自动的图像处理，以用于对新冠肺炎进行临床分型。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为基于FPN的全自动肺分割算法的流程图。图2为对比特征学习的流程图。具体实施方式以下将结合附图对本专利技术作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围并不限于本实施例。本专利技术包括以下步骤：S1、基于FPN的全自动肺分割算法如图1所示，构建基于DenseNet121的特征金字塔（FeaturePyramidNetwork）全卷积神经网络，从CT影像中全自动地分割出肺部区域。该FPN网络使用在ImageNet中预训练好权重的DenseNet121网络作为基础网络，然后通过特征金字塔的形式从DenseNet中的每一个Dense块中抽取最后一层卷积层的输出作为多尺度的特征，然后将不同尺度的特征逐级上采样并进行拼接，最后，通过全卷积网络的方式得到分割出的肺区域，即肺部ROI（RegionofInterest）。S2、构建特征提取网络在通过步骤S1全自动地从CT图像中分割出肺区后，使用三维的ResNet50作为特征提取网络，对肺部ROI图像进行特征提取。ResNet50网络由多组堆叠的残差块构成，每一个残差块包含堆叠的3x3的卷积层和1x1的卷积层，其中，1x1的卷积层通过跳层连接的方式与3x3的卷积层相加，进行残差学习本文档来自技高网...

【技术保护点】
1.一种针对新冠肺炎临床分型的CT影像对比特征学习方法，其特征在于：包括以下步骤：/nS1、基于特征金字塔全卷积网络FPN的全自动肺分割算法/n构建基于DenseNet的FPN，从CT影像中全自动地分割出肺部区域；/nS2、构建特征学习网络/n使用三维的ResNet50作为特征提取网络，进行肺部CT影像的特征提取；/nS3、样本对构建/n在训练集中，每次随机抽取两个样本，构建样本对，若两个样本具有相同的临床分型，则将该样本对的标签赋为1，若两个样本具有不同的临床分型，则将该样本对的标签赋为-1；/nS4、对比特征学习/n基于步骤S2中的特征提取网络构建权重共享的孪生网络，分别用于提取步骤S3的样本对中的两个样本的特征，然后，提出对比特征损失函数，对两个样本的特征的距离进行度量，使同一类样本间特征距离相近，不同样本类别间特征距离较远；再结合交叉熵损失函数，实现模型的对比特征学习。/n

【技术特征摘要】
1.一种针对新冠肺炎临床分型的CT影像对比特征学习方法，其特征在于：包括以下步骤：
S1、基于特征金字塔全卷积网络FPN的全自动肺分割算法
构建基于DenseNet的FPN，从CT影像中全自动地分割出肺部区域；
S2、构建特征学习网络
使用三维的ResNet50作为特征提取网络，进行肺部CT影像的特征提取；
S3、样本对构建
在训练集中，每次随机抽取两个样本，构建样本对，若两个样本具有相同的临床分型，则将该样本对的标签赋为1，若两个样本具有不同的临床分型，则将该样本对的标签赋为-1；
S4、对比特征学习
基于步骤S2中的特征提取网络构建权重共享的孪生网络，分别用于提取步骤S3的样本对中的两个样本的特征，然后，提出对比特征损失函数，对两个样本的特征的距离进行度量，使同一类样本间特征距离相近，不同样本类别间特征距离较远；再结合交叉熵损失函数，实现模型的对比特征学习。


2.根据权利要求1所述的CT影像对比特征学习方法，其特征在于：所述S1具体包括以下步骤：
构建基于DenseNet121的FPN，从CT影像中全自动地分割出肺部区域，所述FPN使用在ImageNet中预训练好权重的DenseNet121网络作为基础网络，然后通过特征金字塔的形式从DenseNet中的每一个Dense块中抽取最后一层卷积层的输出作为多尺度的特征，然后将不同尺度的特征逐级上采样并进行拼接，最后，通过全卷积网络的方式得到分割出的肺区域，即肺部目标区域ROI。


3.根据权利要求1所述的CT影像对比特征学习方法，其特征在于：所述S2具体包括以下步骤：
在通过步骤S1全自动地从CT图像中分割出肺区后，使用三维的ResNet50作为特征提取网络，对肺部ROI图像进行特征提取，ResNet50网络由多组堆叠的残差块构成，每一个残差块包含堆叠的3x3的卷积层和1x1的卷积层，其中，1x1的卷积层通过跳层连接的方式与3x3的卷积层相加，进行残差学习，以...

【专利技术属性】
技术研发人员：高全胜，薛新颖，薛志强，王志军，
申请(专利权)人：北京信诺卫康科技有限公司，
类型：发明
国别省市：北京;11