基于放射组学的COVID-19快速特征提取系统及快速诊断系统及病程预测系统技术方案

本发明专利技术涉及一种基于放射组学的COVID‑19快速特征提取系统及快速诊断系统及病程预测系统，其用于获取CT图像中关于COIVD‑19的放射组学特征，且其包括：图像输入单元以及特征提取单元，所述特征提取单元通过建立基于CT图像COIVD‑19放射组学特征的自动化提取模型以获取待检人员CT图像的放射组学特征，其具有泛化性好、灵敏度和特异性高的特点，可以极大的降低因为检查设备、医师操作习惯、医师诊断经验对分割结果带来的影响，确保被提取特征的稳定性，从而提升CT图像放射组学特征预测模型预测效果。

【技术实现步骤摘要】
基于放射组学的COVID-19快速特征提取系统及快速诊断系统及病程预测系统
本专利技术涉及人工智能
，具体涉及一种基于放射组学的COVID-19快速特征提取系统及快速诊断系统及病程预测系统。
技术介绍
自2019年12月以来，由新型冠状病毒导致的新型冠状病毒肺炎(COVID-19，简称新冠肺炎)疫情已经蔓延至全球，并相继在各个国家爆发。世界卫生组织于2020年1月30日宣布COVID-19为全球公共卫生紧急事件，我国已将该病纳入按甲类传染病管理的乙类传染病。到2020年9月10日为止，全球超过了两千八百万人被确证感染COVID-19病毒，并有九十多万人因此而失去生命。根据世界卫生组织的报告数据，有16-21%的人在感染了COVID-19病毒后的病程进展会发展成重症或者危重症，并伴随着2-3%的死亡率，且该病毒的基本传染数R0达到了惊人的3.77。因此，快速诊断新冠肺炎，筛查预后较差的高危患者，对早期预防和优化医疗资源具有重要意义。COVID-19诊断标准包括临床症状，流行病学史，病毒核酸检测和CT影像学表现。对于COVID-19的临床症状有：呼吸道症状，发热，咳嗽，呼吸困难和肺部炎症等呼吸道症状，但是有一些常见的流行性感冒或者肺部感染与COVID-19有着相似的临床症状，因此需要进一步进行病毒核酸检测才能确诊。核酸检测的一般流程是用咽拭子对受试者的口咽部进行取样，并且需要在2-8摄氏度的环境下进行运输和保存，最后在实验室中进行PCR核酸检测。利用核酸检测来筛选COVID-19感染者对于控制疫情的蔓延有着至关重要的作用，但是在病毒大范围扩散的情况下，为检测机构提供数量巨大且质量可靠的检测试剂盒是一项挑战性非常大的工作。另一方面，核酸检测需要遵守严格的实验室操作规范，其检测结果受样本采集方法，核酸的提取方式，PCR扩增系统等因素的影响，且至少需要数个小时才能得到结果，总体来看核酸检测方法的检出正确率仅为30-50%。因此，核酸检测方法的灵敏度有限以及疫区检测试剂盒的短缺增加了筛查负担，许多感染者没有立即被隔离,对疫情的防控带来很大的难度和风险。胸部CT影像是用来对COVID-19患者进行诊断的重要工具，COVID-19患者早期的在胸部CT影像学特征主要为单发或者多发的斑片状磨玻璃影，伴有小叶间隔增厚；进展期主要表现为病灶增多，范围扩大，磨玻璃影与实影或条索影共存；重症期的主要表现为双肺弥漫性病变，实变影为主，伴磨玻璃影及空气支气管征，少数呈“白肺”现象。在2020年2月19日国家卫生健康委员会发布的《新型冠状病毒肺炎诊疗方案（试行第六版）》指南中，将放射医师根据胸部CT影像学表现的诊断结果作为COVID-19的诊断标准之一。虽然胸部CT检查对于疑似病例的早期筛查具有很大的帮助，但其他类型的病毒性肺炎与COVID-19有着相似的CT影像学表现。因此，仅仅凭胸部CT的影像学表现，放射科医师很难将COVID-19与其他病毒性肺炎区分开来。因此急需新的、可快速准确地诊断COVID-19感染的方法。
技术实现思路
针对现有技术存在的不足，本专利技术的目的在于提供一种基于放射组学的COVID-19快速特征提取系统及快速诊断系统及病程预测系统。为实现上述目的，本专利技术提供了如下技术方案：一种基于放射组学的COVID-19快速特征提取系统，其用于获取CT图像中关于COIVD-19的放射组学特征，且其包括：用于待检人员CT图像输入的图像输入单元以及特征提取单元，所述特征提取单元通过建立基于CT图像COIVD-19放射组学特征自动化提取模型以获取待检人员CT图像的放射组学特征，其中CT图像COIVD-19放射组学特征自动化提取模型建立步骤如下：一、根据设定的CT图像筛选标准，对采集的COVID-19患者CT图像进行筛选；二、对筛选后的COVID-19患者CT图像进行图像预处理；三、对预处理后的COVID-19患者CT图像进行感兴趣区域分割，并形成训练图像；四、基于深度卷积神经网络对训练图像进行训练，并得到感兴趣区域深度卷积神经网络自动分割模型；五、基于感兴趣区域深度卷积神经网络自动分割模型分割后的图像，构建基于CT图像COIVD-19放射组学特征的自动化提取模型。步骤二中包含以下步骤：1）对筛选后的COVID-19患者CT图像进行空间重采样和校正；2）对筛选后的COVID-19患者CT图像进行灰度值重采样；3）设定灰度值范围及离散化程度，对筛选后的COVID-19患者CT图像进行离散化处理；4）对筛选后的COVID-19患者CT图像进行滤波处理，并对筛选后的COVID-19患者CT图像的尺寸进行裁剪。步骤四中对输入的训练图像进行下采样提取特征操作，将每层下采样提取到的特征与对应的向上恢复细节信息的通路连接，然后经过卷积残差块的残差模块处理，并以相似度Dice系数值来判断神经网络的自动分割结果，进一步测试和优化卷积神经网络参数，得到基于深度学习的感兴趣区域深度卷积神经网络自动分割模型。一种基于上述的基于放射组学的COVID-19快速特征提取系统的快速诊断系统，其包括：基于放射组学的COVID-19快速特征提取系统，用于提取具有预测价值的CT图像放射组学特征；COIVD-19阳性预测系统，其包括利用机器学习算法支持向量机建立的初始放射组学特征对COIVD-19阳性的筛选模型，所述COIVD-19阳性预测系统根据COVID-19快速特征提取系统的快速诊断系统提取的具有预测价值的CT图像放射组学特征，对待检人员进行是否为COIVD-19阳性的判断。具有预测价值的CT图像放射组学特征的确定如下：1)利用组内相关性分析方法，以组内一致性值为评价指标，判断单个组学特征在不同患者之间的稳定性，筛选出稳定性高、鲁棒性好、有分析价值的CT图像放射组学特征；2）利用斯皮尔曼相关性分析和Mann-Whitney检验方法研究组学特征与COIVD-19阳性结果之间的关联关系，确定组学特征对COIVD-19阳性的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对COIVD-19阳性的预测能力，筛选出有预测价值的CT图像放射组学特征。对提取的具有预测价值的CT图像放射组学特征进行降维处理。一种基于上述的基于放射组学的COVID-19快速特征提取系统的病程预测系统，其包括：基于放射组学的COVID-19快速特征提取系统，用于提取具有预测价值的CT图像放射组学特征以及有预测价值的临床特征参数；病程预测系统，其包括利用机器学习算法支持向量机建立的初始的放射组学特征联合临床参数特征对COIVD-19阳性患者病程的预测模型，病程预测系统根据COVID-19快速特征提取系统的快速诊断系统提取的具有预测价值的CT图像放射组学特征，对待检人员的进行病程预测。所述具有预测价值的CT图像放射组学特征的确定如下：1）利用组内相关性分析方法筛选出稳本文档来自技高网...

【技术保护点】
1.一种基于放射组学的COVID-19快速特征提取系统，其特征在于：其用于获取CT图像中关于COIVD-19的放射组学特征，且其包括：/n用于待检人员CT图像输入的图像输入单元以及特征提取单元，所述特征提取单元通过建立基于CT图像COIVD-19放射组学特征自动化提取模型以获取待检人员CT图像的放射组学特征，/n其中CT图像COIVD-19放射组学特征自动化提取模型建立步骤如下：/n一、根据设定的CT图像筛选标准，对采集的COVID-19患者CT图像进行筛选；/n二、对筛选后的COVID-19患者CT图像进行图像预处理；/n三、对预处理后的COVID-19患者CT图像进行感兴趣区域分割，并形成训练图像；/n四、基于深度卷积神经网络对训练图像进行训练，并得到感兴趣区域深度卷积神经网络自动分割模型；/n五、基于感兴趣区域深度卷积神经网络自动分割模型分割后的图像，构建基于CT图像COIVD-19放射组学特征的自动化提取模型。/n

【技术特征摘要】
1.一种基于放射组学的COVID-19快速特征提取系统，其特征在于：其用于获取CT图像中关于COIVD-19的放射组学特征，且其包括：
用于待检人员CT图像输入的图像输入单元以及特征提取单元，所述特征提取单元通过建立基于CT图像COIVD-19放射组学特征自动化提取模型以获取待检人员CT图像的放射组学特征，
其中CT图像COIVD-19放射组学特征自动化提取模型建立步骤如下：
一、根据设定的CT图像筛选标准，对采集的COVID-19患者CT图像进行筛选；
二、对筛选后的COVID-19患者CT图像进行图像预处理；
三、对预处理后的COVID-19患者CT图像进行感兴趣区域分割，并形成训练图像；
四、基于深度卷积神经网络对训练图像进行训练，并得到感兴趣区域深度卷积神经网络自动分割模型；
五、基于感兴趣区域深度卷积神经网络自动分割模型分割后的图像，构建基于CT图像COIVD-19放射组学特征的自动化提取模型。


2.根据权利要求1所述的基于放射组学的COVID-19快速特征提取系统，其特征在于：步骤二中包含以下步骤：
1）对筛选后的COVID-19患者CT图像进行空间重采样和校正；
2）对筛选后的COVID-19患者CT图像进行灰度值重采样；
3）设定灰度值范围及离散化程度，对筛选后的COVID-19患者CT图像进行离散化处理；
4）对筛选后的COVID-19患者CT图像进行滤波处理，并对筛选后的COVID-19患者CT图像的尺寸进行裁剪。


3.根据权利要求1所述的基于放射组学的COVID-19快速特征提取系统，其特征在于：步骤四中对输入的训练图像进行下采样提取特征操作，将每层下采样提取到的特征与对应的向上恢复细节信息的通路连接，然后经过卷积残差块的残差模块处理，并以相似度Dice系数值来判断神经网络的自动分割结果，进一步测试和优化卷积神经网络参数，得到基于深度学习的感兴趣区域深度卷积神经网络自动分割模型。


4.一种基于权利要求1至3任意一项所述的基于放射组学的COVID-19快速特征提取系统的快速诊断系统，其特征在于：其包括：基于放射组学的COVID-19快速特征提取系统，用于提取具有预测价值的CT图像放射组学特征；
COIVD-19阳性预测系统，其包括利用机器学习算法支持向量机建立的初始放射组学特征对COIVD-19阳性的筛选模型，
所述COIVD-19阳性预测系统根据COVID-19快速特征提取系统的快速诊断...

【专利技术属性】
技术研发人员：金献测，金珏斌，艾遥，
申请(专利权)人：温州医科大学附属第一医院，
类型：发明
国别省市：浙江;33