一种深度学习预估方法及其应用技术

本申请属于图像成像技术领域，特别是涉及一种深度学习预估方法及其应用。当前新冠CT影响诊断技术依赖单幅图像，需要放剂师从CT序列图像中选定单幅图像来完成诊断估计，占用大量放剂师时间；对于单个病人而言，多帧连续的CT图像对于疾病诊断比单幅图像的容错率高。本申请提供了一种深度学习预估方法，包括：对症状数据和图像数据进行预处理；对症状特征和图像特征进行融合；对融合后的数据进行通道特征提取；设计损失函数；采用Adam优化算法来优化；根据病人数据集构造配对作为网络输入；训练网络，得到深度学习预估方法。结合病人的症状信息可以提高准确率，同时病人的症状信息在临床中可以快速获取。

【技术实现步骤摘要】
一种深度学习预估方法及其应用
本申请属于图像成像
，特别是涉及一种深度学习预估方法及其应用。
技术介绍
CT检查是现代一种较先进的医学扫描检查技术，主要是针对扫描人体大脑的情况。CT检查一般包括平扫CT、增强CT和脑池造影CT。CT是用X线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器(analog/digitalconverter)转为数字，输入计算机处理。图像学检查是医学诊断快捷、方便的手段之一，胸部X线检查漏诊率较高，CT尤其是高分辨率CT(highresolutionCT，HRCT)在该病诊断中发挥了重要作用。当前新冠CT影响诊断技术依赖单幅图像，需要放剂师从CT序列图像中选定单幅图像来完成诊断估计，占用大量放剂师时间；对于单个病人而言，多帧连续的CT图像对于疾病诊断比单幅图像的容错率高。
技术实现思路
1.要解决的技术问题基于当前新冠CT影响诊断技术依赖单幅图像，需要放剂师从CT序列图像中选定单幅图像来完成诊断估计，占用大量放剂师时间；对于单个病人而言，多帧连续的CT图像对于疾病诊断比单幅图像的容错率高的问题，本申请提供了一种深度学习预估方法及其应用。2.技术方案为了达到上述的目的，本申请提供了一种深度学习预估方法，所述方法包括如下步骤：步骤1：对症状数据和图像数据进行预处理；使用卷积(卷积尺寸3x3)操作对图像数据提取特征，使用卷积(卷积尺寸1x1)对症状数据进行特征提取；步骤2：对症状特征和图像特征进行融合；使注意力机制将症状特征融合到图像特征当中，症状特征通过卷积映射为通道掩码(数值分布在0-1之间)，通过掩码和图像特征点乘从而加强和抑制部分通道的数据；步骤3：对融合后的数据进行通道特征提取；使用平均化通道池化和最大化通道池化将融合后的数据转换为向量形式，从而压缩融合的数据，进而使用卷积对转换后的向量进行特征提取；步骤4：设计损失函数我们提出的网络模型功能类似于函数，针对数据输入有相应的预测的输出结果。在训练过程中，通过设计损失函数完成预测的数据结果和真实的数据结果之间的误差度量；步骤5：采用Adam优化算法来优化；采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数(包括卷步骤1,2,3中的卷积)更新；步骤6：根据病人数据集构造配对作为网络输入；步骤7：训练网络，得到深度学习预估方法。进一步地，所述步骤1中对症状数据进行预处理包括对于症状数据进行编码，根据病人的临床症状表现，如果病人具有具体的症状表现则在症状编码对应的位值设为1，否则为0。本申请提供的另一种实施方式为：所述步骤1中对症状数据进行预处理包括对于症状数据进行编码，根据病人的临床症状表现，如果病人具有具体的症状表现则在症状编码对应的位值设为1，否则为0。本申请提供的另一种实施方式为：所述临床症状表现包括发热，咳嗽，肌肉酸痛，疲劳，头疼，恶心，腹泻，腹疼，呼吸困难。本申请提供的另一种实施方式为：所述症状数据编码还包括性别和年龄。本申请提供的另一种实施方式为：所述图像数据选取连续图像序列作为网络数据输入的图像数据；所述图像序列数据图像序列数据首先经过一个卷积进行图像特征粗提取。本申请提供的另一种实施方式为：所述图像为CT图像。本申请提供的另一种实施方式为：所述步骤2中采用症状信息融合单元完成图像特征和症状特征的融合。本申请提供的另一种实施方式为：所述症状信息融合单元包括若干症状信息融合模块，所述症状信息融合模块级联在一起，所述症状信息融合模块采用残差连接。本申请提供的另一种实施方式为：所述步骤3中采用预测模块中的通道平均化池化和通道最大化池化完成通道特征提取。本申请还提供一种深度学习预估方法的应用，将所述的深度学习预估方法应用于新冠肺炎早期临床分型及诊断或者其他疾病的诊断评估。3.有益效果与现有技术相比，本申请提供的一种深度学习预估方法的有益效果在于：本申请提供的深度学习预估方法，为一种用于新冠肺炎早期临床分型及诊断的深度学习预估方法，可以有效帮助放射技师对新冠肺炎的诊断，优化诊断流程，节约医疗资源。本申请提供的深度学习预估方法，结合病人临床症状和CT图像能提高诊断准确率。本申请提供的深度学习预估方法，解决新冠肺炎早期临床分型及诊断准确率提升的问题。本申请提供的深度学习预估方法，为一种基于深度学习技术的融合临床症状的快速诊断网络，该网络的输入包括病人的CT图像序列和临床症状。临床症状作为先验知识，通过症状信息融合模块加入到图像特征当中，再利用预测模块，完成对病人的诊断估计(是否患有COVID-19)和临床分型估计(具体患COVID-19程度：轻微或重度)。本申请提供的深度学习预估方法，基于CT图像序列而不是单张CT图像可以提高诊断的容错率。本申请提供的深度学习预估方法，使用连续的CT图像序列，减少放剂师的挑选特定单张时间，可以直接将肺部图像数据输入到网络方法。本申请提供的深度学习预估方法，结合病人的症状信息可以提高准确率，同时病人的症状信息在临床中可以快速获取。本申请提供的深度学习预估方法，使用通道平均化和最大化池化而不是通常的全连接层，可以有效减少网络参数。附图说明图1是本申请的深度学习预估方法的网络架构关系示意图。具体实施方式在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。参见图1，本申请提供一种深度学习预估方法，所述方法包括如下步骤：步骤1：对症状数据和图像数据进行预处理；使用卷积(卷积尺寸3x3)操作对图像数据提取特征，使用卷积(卷积尺寸1x1)对症状数据进行特征提取。步骤2：对症状特征和图像特征进行融合；使注意力机制将症状特征融合到图像特征当中，症状特征通过卷积映射为通道掩码(数值分布在0-1之间)，通过掩码和图像特征点乘从而加强和抑制部分通道的数据。步骤3：对融合后的数据进行通道特征提取；使用平均化通道池化和最大化通道池化将融合后的数据转换为向量形式，从而压缩融合的数据，进而使用卷积对转换后的向量进行特征提取。步骤4：设计损失函数我们提出的网络模型功能类似于函数，针对数据输入有相应的预测的输出结果。在训练过程中，通过设计损失函数完成预测的数据结果和真实的数据结果之间的误差度量。步骤5：采用Adam优化算法来优化；采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数(包括卷步骤1,2,3中的卷积)更新。步骤6：根据病人数据集构造配对作为网络输入；步骤7：训练本文档来自技高网...

【技术保护点】
1.一种深度学习预估方法，其特征在于：所述方法包括如下步骤：/n步骤1：对症状数据和图像数据进行预处理；/n步骤2：对症状特征和图像特征进行融合；/n步骤3：对融合后的数据进行通道特征提取；/n步骤4：设计损失函数，通过设计损失函数完成预测的数据结果和真实的数据结果之间的误差度量；/n步骤5：采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数更新；/n步骤6：根据病人数据集构造配对作为网络输入；/n步骤7：训练网络，得到深度学习预估方法。/n

【技术特征摘要】
1.一种深度学习预估方法，其特征在于：所述方法包括如下步骤：
步骤1：对症状数据和图像数据进行预处理；
步骤2：对症状特征和图像特征进行融合；
步骤3：对融合后的数据进行通道特征提取；
步骤4：设计损失函数，通过设计损失函数完成预测的数据结果和真实的数据结果之间的误差度量；
步骤5：采用Adam优化算法来优化步骤4中的损失函数，完成网络模型的参数更新；
步骤6：根据病人数据集构造配对作为网络输入；
步骤7：训练网络，得到深度学习预估方法。


2.如权利要求1所述的深度学习预估方法，其特征在于：所述步骤1中对症状数据进行预处理包括对于症状数据进行编码，根据病人的临床症状表现，如果病人具有具体的症状表现则在症状编码对应的位值设为1，否则为0。


3.如权利要求2所述的深度学习预估方法，其特征在于：所述临床症状表现包括发热，咳嗽，肌肉酸痛，疲劳，头疼，恶心，腹泻，腹疼，呼吸困难。


4.如权利要求2所述的深度学习预估方法，其特征在于：所述症状数据编码还包括...

【专利技术属性】
技术研发人员：郑海荣，江洪伟，李彦明，万丽雯，胡战利，黄振兴，
申请(专利权)人：深圳高性能医疗器械国家研究院有限公司，
类型：发明
国别省市：广东;44