基于深度卷积神经网络及多实例学习的新冠诊断系统技术方案

本发明专利技术提供了一种基于深度卷积神经网络及多实例学习的新冠诊断系统，特征提取模块对患者CT序列打包并进行时域卷积，同时通过弱监督学习对受感染切片实例进行筛选，获取感染片段；多分支网络体系，被配置为将患者CT序列中提取的特征序列输入多个并行分支网络，不同并行分支网络输出的类激活序列之间具有差异，以定位不同的感染片段，以对患者特定病例特征的完整性进行建模，并对抗所述弱监督学习诱导的注意力发散，以增强所述感染片段的精确度和鲁棒性；多实例学习模块被配置为进行多实例套袋进行时域卷积的特征融合，以增强所述患者特定病例特征表达；门控注意力机制模块被配置为进行自适应实例特征加权融合，以避免多实例学习中梯度消失。

【技术实现步骤摘要】
基于深度卷积神经网络及多实例学习的新冠诊断系统
本专利技术涉及深度学习以及医学图像处理
，特别涉及一种基于深度卷积神经网络及多实例学习的新冠诊断系统。
技术介绍
世界卫生组织宣布，自2020年3月11日以来，世界一直处于大流行状态。截至2020年8月30日，已记录2510万例COVID-19病例。到目前为止，已治愈了1650万，并且有844k患者死于感染。COVID-19是一种具有高度传染性的疾病，严重时可导致发烧，咳嗽，肌痛，头痛和胃肠道症状，甚至导致急性呼吸窘迫或多器官功能衰竭(C.Huangetal.，2020)。因此，对这种新的致命疾病进行快速，准确的诊断至关重要。目前，大多数临床医生选择的方法是逆转录聚合酶链反应(RTPCR)测试(Xieetal.，2020)，但其假阴性率高，敏感性低和费时的特性使其成为临床治疗的较差选择。在医学成像工具中，CT扫描被发现是检测和评估各种肺炎的严重程度的一种非常有效的方法(Chenetal，2020)。CT(电脑断层扫描)检查在新冠肺炎诊断中起着至关重要的作用，在主要疫区一度作为临床诊断本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络及多实例学习的新冠诊断系统，其特征在于，包括：/n肺部分割模块，对肺部切片进行分割后打包形成患者CT序列，输入特征提取模块；/n特征提取模块，对患者CT序列并进行时域卷积，同时通过弱监督学习对受感染切片实例进行筛选，获取感染片段；/n多分支网络体系，被配置为将患者CT序列中提取的特征序列输入多个并行分支网络，不同并行分支网络输出的类激活序列之间具有差异，以定位不同的感染片段，以对患者特定病例特征的完整性进行建模，并对抗所述弱监督学习诱导的注意力发散，以增强所述感染片段的精确度和鲁棒性；/n多实例学习模块，被配置为进行多实例套袋进行时域卷积的特征融合，以增强所述患者特...

【技术特征摘要】
1.一种基于深度卷积神经网络及多实例学习的新冠诊断系统，其特征在于，包括：
肺部分割模块，对肺部切片进行分割后打包形成患者CT序列，输入特征提取模块；
特征提取模块，对患者CT序列并进行时域卷积，同时通过弱监督学习对受感染切片实例进行筛选，获取感染片段；
多分支网络体系，被配置为将患者CT序列中提取的特征序列输入多个并行分支网络，不同并行分支网络输出的类激活序列之间具有差异，以定位不同的感染片段，以对患者特定病例特征的完整性进行建模，并对抗所述弱监督学习诱导的注意力发散，以增强所述感染片段的精确度和鲁棒性；
多实例学习模块，被配置为进行多实例套袋进行时域卷积的特征融合，以增强所述患者特定病例特征表达；
门控注意力机制模块，被配置为进行自适应实例特征加权融合，以避免多实例学习中梯度消失。


2.如权利要求1所述的基于深度卷积神经网络及多实例学习的新冠诊断系统，其特征在于，所述肺部分割模块包括：
开放数据集，被配置为训练用于肺部描绘的深度神经网络模块；
深度神经网络模块，被配置为从CT图像上分割出肺部区域，以进行对肺部感染程度的量化估计及促进感染检测和分类；
基于图像增强方法，使用固定大小的滑动窗口WQ，S找到覆盖像素值，其中Q为窗口的大小，S为滑动过程的步长；
基于多视图U-Net的肺分割网络，由多窗口投票后处理程序和顺序信息注意力模块组成，利用3D体积每个视图的信息并增强3D肺结构的完整性；
肺分割模型在开放数据集上使用人工标注事实训练、交叉验证和测试；
将完成训练的肺分割模型用于提取检测对象完整肺部区域。


3.如权利要求2所述的基于深度卷积神经网络及多实例学习的新冠诊断系统，其特征在于，肺部分割模块还包括：
将空间分辨率为H*W*D的3DCT图像分别在H轴，W轴和D轴上形成多个2D切片，并将每个轴的2D切片的图像序列分别发送至与该轴相对应的子网络中，并训练三个子网络；
采用注意力机制对比邻切片的信息进行融合，并通过注意力机制输出的特征图预测当前切片的分割结果，然后在H轴，W轴和D轴的预测概率图上执行滑动窗口投票尺寸最终输出。


4.如权利要求3所述的基于深度卷积神经网络及多实例学习的新冠诊断系统，其特征在于，所述特征提取模块包括深度卷积神经网络和时域卷积层，其中：
给定一个患者轴向面的CT切片序列，通过深度卷积神经网络提取出特征序列其中N代表切片的的数量，D代表特征维度；
提取的特征序列提供了患者特定CT序列的高级表示，并被馈送到时域卷积层进行融合；
利用时间卷积层和线性整流激活层嵌入特征，表达式为：
Embed(X)＝max(θemd*X+bemd，0)(1)
其中*表示卷积运算，θemd和bemd是时域滤波器的权重和偏差，表示嵌入的时空特征表示，F是滤波器的数量；
时域卷积整合来自相邻切片间的信息，使网络能够捕获到切片序列中的时空结构。


5.如权利要求4所述的基于深度卷积神经网络及多实例学习的新冠诊断系统，其特征在于，在多分支网络体系中，
每个并行分支网络将特征提取模块嵌入的特征序列输入到对应的时域卷积层中，并输出分类分数：
...

【专利技术属性】
技术研发人员：杨光，高远，牛张明，夏军，江荧辉，叶晴昊，王旻浩，
申请(专利权)人：帝工杭州科技产业有限公司，
类型：发明
国别省市：浙江;33