一种基于CT影像的多类别肺炎筛查深度学习装置制造方法及图纸

本发明专利技术提供一种基于CT影像的多类别肺炎筛查深度学习系统，包括：CT影像数据预处理部预处理CT影像得到预处理CT影像，切片级肺炎二分类部分析基础深度特征得到二分类结果，弱监督病灶定位部根据类别标签得到病灶位置图，切片级肺炎四分类部对四类别肺炎检测得到四类别肺炎分类任务结果；病例级肺炎分类部分析得到多类别肺炎分类任务结果；肺炎诊断综合评估部基于切片级四分类类别结果、病灶位置图以及病例级多类别肺炎分类任务结果输出肺炎诊断综合评估结果和病灶定位分布图。因此本实施例除了能够得到得出常见肺炎病症以外，能够在没有医护人员的前提下快速、准确地区分COVID‑19与其他肺炎病症，这对于关于COVID‑19疫情的筛查工作具有帮助。

【技术实现步骤摘要】
一种基于CT影像的多类别肺炎筛查深度学习装置
本专利技术涉及一种基于CT影像的多类别肺炎筛查深度学习装置，属于医疗影像和计算机图像识别交叉领域。
技术介绍
冠状病毒病(COVID-19)由新型冠状病毒(SARS-CoV-2，简称2019-ncov)引起，具有高度传染性，严重时可导致急性呼吸窘迫或多器官衰竭，由此死亡的已有数十万例。因此，如何准确、高效地诊断COVID-19，不仅对患者的及时治疗，而且对疫情期间医院资源的分配和管理至关重要。目前，对新型冠状病毒的标准诊断方法是实时聚合酶链反应(RT-PCR)，它从口咽拭子、鼻咽拭子、支气管肺泡灌洗或气管抽吸获得的标本中检测病毒核苷酸。早期采用的RT-PCR敏感性差异很大，从42％到71％不等，并且最初的RT-PCR阴性结果可能在4天后转化为阳性。最近的研究中才用的典型的COVID-19计算机断层扫描(CT)表现包括双侧肺实质、磨玻璃影和实变性肺浑浊，并呈肺周围分布，并且胸部CT扫描在初始表现检测COVID-19的灵敏度约为56～98％。与RT-PCR相比，有助于纠正RT-PCR在疾病发展早本文档来自技高网...

【技术保护点】
1.一种基于CT影像的多类别肺炎筛查深度学习装置，用于，其特征在于，包括：/nCT影像数据预处理部、切片级肺炎二分类部、切片级肺炎四分类部、病例级肺炎分类部、弱监督病灶定位部以及肺炎诊断评估部；/n其中，所述CT影像数据预处理部用于对得到的待分析所述CT影像进行数据预处理得到预处理CT影像；/n所述切片级肺炎二分类部在空间维度上对所述预处理CT影像提取出基础深度特征并根据该基础深度特征分析所述预处理CT影像得到是否包含病灶的二分类类别结果；/n所述弱监督病灶定位部根据类别标签检测所述基础深度特征从而定位得到病灶位置图；/n所述切片级肺炎四分类部根据所述基础深度特征、根据所述基础深度特征得到的特...

【技术特征摘要】
1.一种基于CT影像的多类别肺炎筛查深度学习装置，用于，其特征在于，包括：
CT影像数据预处理部、切片级肺炎二分类部、切片级肺炎四分类部、病例级肺炎分类部、弱监督病灶定位部以及肺炎诊断评估部；
其中，所述CT影像数据预处理部用于对得到的待分析所述CT影像进行数据预处理得到预处理CT影像；
所述切片级肺炎二分类部在空间维度上对所述预处理CT影像提取出基础深度特征并根据该基础深度特征分析所述预处理CT影像得到是否包含病灶的二分类类别结果；
所述弱监督病灶定位部根据类别标签检测所述基础深度特征从而定位得到病灶位置图；
所述切片级肺炎四分类部根据所述基础深度特征、根据所述基础深度特征得到的特征绝对坐标位置图以及所述病灶位置图对多类别肺炎的可能性的检测得到四类别肺炎分类任务结果；
所述病例级肺炎分类部将所述基础深度特征以及所述切片特征拼接得到切片深度特征，并在时间维度上对连续多层的所述切片深度特征进行精炼和融合得到相应多个精炼的切片深度特征，并根据多个所述精炼的切片深度特征融合得到影像特征从而分析出病例级多类别肺炎分类任务结果；
所述肺炎诊断综合评估部基于所述切片级四分类类别结果、所述病灶位置图以及所述病例级多类别肺炎分类任务结果输出对应于所述预处理CT影像的肺炎诊断综合评估结果和病灶定位分布图。


2.根据权利要求1所述的基于CT影像的多类别肺炎筛查深度学习装置，其特征在于：
其中，所述CT影像数据预处理部中的预处理过程包括如下步骤：
步骤S1-1，根据所述CT影像中的肺部区域边界框抠取出肺部区域图片并调整所述肺部区域图片的尺寸得到调整肺部区域图片；
步骤S1-2，采用多尺度调窗方法对所述调整肺部区域图片进行肺窗调窗处理，得到预处理CT影像，
在所述步骤S1-1中抠取肺部区域边界框包含如下六个步骤：
步骤S1-1-a，读取所述CT影像；
步骤S1-1-b，根据HU值分布以及预先设定的阈值将所述调整CT影像中的肺部区域和其他组织进行分割得到所述肺部区域图片；
步骤S1-1-c，通过形态学开处理来处理所述肺部区域图片，从而使得消除抠取肺部区域时CT影像设备中躺板对肺部区域的影响；
步骤S1-1-d，利用八连通域标记方法搜索左右两肺的所述肺部区域来实现肺部区域和其他背景的分割；
步骤S1-1-e，利用形态学开处理来消除肺部区域照片中由于分割所述肺部区域和所述其他背景所导致的噪声；
步骤S1-1-f，根据分割好的所述肺部区域，计算最小矩形边界框，并进行抠取和调整尺寸处理得到所述调整肺部区域图片。


3.根据权利要求1所述的基于CT影像的多类别肺炎筛查深度学习装置，其特征在于：
其中，所述切片级肺炎二分类部以及所述切片级肺炎四分类部通过一个包含四个残差模块的主干网络完成分类任务，
所述切片级肺炎二分类部基于所述主干网络的前三个残差模块对所述预处理CT影像的每一层切片在空间维度上提取出所述基本深度特征，并通过一个全连接层得到所述二分类类别结果，其中将所述全连接层的2×D维度的权重作为两个分类类别的原型特征，所述二分类类别结果为对是否包含病灶的判断结果，
所述切片级肺炎四分类部基于所述主干网络的最后一个所述残差模块根据所述基础深度特征、所述特征绝对坐标位置图以及所述病灶位置图得到所述四类别肺炎分类任务结果。


4.根据权利要求1所述的基于CT影像的多类别肺炎筛查深度学习装置，其特征在于：
其中，所述切片级肺炎四分类部中的所述主干网络中的所述最后一个残差模块的第一个卷积层步长为1，所述基础深度特征的维度为H×W×D，由所述弱监督病灶定位部得到的所述病灶位置图的维度为H×W×1，所述坐标位置概率图的维度为H×W×3，其中D表示特征的维度，H表示特征图的高，W表示特征图的宽，
所述切片级肺炎四分类部对所述特征绝对坐标位置图进行差异性信息编码，所述差异性信息编码一共包含三层通道，前二层通道用于编码特征图x轴和y轴坐标信息，并分别将[0,W]和[0,H]归一化处理到[-1,1]，最后一层通道用于编码各个像素点到中心点(0,0)的距离，即通过拼接的方式将三层通道的特征进行融合从而使切片级肺炎四分类部更容易处理得到所述四类别肺炎分类任务。


5.根据权利要求3所述的基于CT影像的多类别肺炎筛查深度学习装置，其特征在于：
其中，所述弱监督病灶定位部根据对应的所述原型特征进行病灶区域的检测定位处理从而得到所述病灶位置图。所述...

【专利技术属性】
技术研发人员：单飞，薛向阳，史维雅，钱学林，张志勇，施裕新，付彦伟，
申请(专利权)人：上海市公共卫生临床中心，复旦大学，
类型：发明
国别省市：上海;31