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