一种基于影像学的新冠肺炎诊断和病情追踪方法及系统技术方案

本发明专利技术公开了一种基于影像学的新冠肺炎诊断和病情追踪方法及系统，方法包括：将患者CT图像载入卷积神经网络中提取浅层特征；将浅层特征通过D层残差密集块RDB均进行局部特征融合得到稠密残差特征；将D层残差密集块RDB的每层对应的稠密残差特征串联后并通过一个1*1卷积核的卷积进行融合，得到全局特征；将浅层特征与全局特征通过残差连接融合在一起进行全局特征学习；最终通过softmax分类器对特征提取后的图像进行分类，判断患者是否属于新冠肺炎患者。本发明专利技术基于医学图像和神经网络技术，通过智能方式实现新冠肺炎病症的诊断和病情追踪，可以避免采用人工检测或者设备检测等手段，减轻医生工作量，减少了人力物力成本。减少了人力物力成本。减少了人力物力成本。

【技术实现步骤摘要】
一种基于影像学的新冠肺炎诊断和病情追踪方法及系统


[0001]本专利技术涉及医学诊断和追踪模型
，特别涉及一种基于影像学的新冠肺炎诊断和病情追踪方法及系统。

技术介绍

[0002]目前，对于新冠肺炎的诊断和病情追踪大多采用人工检测或者设备检测，比如基于咽拭子采集的核酸检测，需要医务人员近距离接触，工作量大、检测耗时长，且存在交叉感染风险。虽然现有技术也出现了一些可以减轻交叉感染风险的防护设施，比如采样亭，可以将医患进行空间隔离，但是仍然存在采样工作量大、成本较高的问题。目前，还没有一种用于新冠肺炎的诊断和病情追踪的AI模型，可以减轻医务人员工作量。
[0003]申请号CN202010907271.0的专利公开了一种基于深度图的新冠肺炎多模态特征提取融合方法及系统，融合过程由数据表征和数据融合两个阶段构成，在数据表征阶段，综合利用CT影像数据和临床生理指标数据，采用基于图神经网络的语义分割模型来提取肺炎感染部位的高级ROI特征，接着将提取到的ROI特征和其他临床数据转化为图的结构，利用图嵌入技术构建统一的多模态数据表征空间；在特征融合阶段，基于自注意力机制在医学影像图、生理指标图、医疗报告文本之间进行多模态特征融合和逻辑推理，为新冠肺炎诊断提供数据支撑。
[0004]但是，上述专利在进行特征提取融合中，需要借助于临床生理指标数据、生理指标图、医疗报告文本等，而临床生理指标数据仍然需要人工检测或者设备检测，同样存在工作量大、检测耗时长，且存在交叉感染风险的问题。

技术实现思路

[0005](一)解决的技术问题
[0006]本专利技术的目的在于提供一种基于影像学的新冠肺炎诊断和病情追踪方法及系统，以解决现有技术没有用于新冠肺炎的诊断和病情追踪的AI模型，诊断和病情追踪需要人工检测或者设备检测得出生理指标数据，存在工作量大、检测耗时长，且存在交叉感染风险的问题。
[0007](二)技术方案
[0008]为实现上述基于影像学的新冠肺炎诊断和病情追踪方法及系统解决现有技术没有用于新冠肺炎的诊断和病情追踪的AI模型，诊断和病情追踪需要人工检测或者设备检测得出生理指标数据，存在工作量大、检测耗时长，且存在交叉感染风险的问题，本专利技术提供如下技术方案：
[0009]一种基于影像学的新冠肺炎诊断和病情追踪方法，包括以下步骤：
[0010]将患者CT图像载入卷积神经网络中提取浅层特征；
[0011]将所述浅层特征通过D层残差密集块RDB均进行局部特征融合，得到稠密残差特征；
[0012]将所述D层残差密集块RDB的每层对应的稠密残差特征串联后并通过一个1*1卷积核的卷积进行融合，得到全局特征；
[0013]将所述浅层特征与全局特征通过残差连接融合在一起进行全局特征学习，得到全局学习特征并进行放大操作，堆叠一个向上缩放层以获得特征提取后的图像；
[0014]最终通过softmax分类器对特征提取后的图像进行分类，输出所述特征提取后的图像的分类结果所对应患者是否属于新冠肺炎患者，如果是则提取病灶区域。
[0015]优选的，所述将CT图像载入卷积神经网络中进行浅层特征提取，使用两个卷积层来提取浅层特征，具体为公式为：
[0016][0017]公式中，W
‑1和W0为卷积滤波器，b
‑1和b0为偏差，F
‑1和F0是被提取的浅层特征，δ是非线性激活函数，I
input
表示输入图像信号。
[0018]优选的，所述D层残差密集块RDB中第d层残差密集块RDB输出的稠密残差特征F
d
用以下公式表示：
[0019]F
d
＝f
RDB,d
(F
d
‑1)＝f
RDB,d
(f
RDB,d
‑1(...(f
RDB,1
(F0))...))
[0020]公式中f
RDB,d
表示RDB的第d次前向操作。
[0021]优选的，所述D层残差密集块RDB中每层残差密集块RDB包括五个3*3卷积核的卷积，所述卷积核通过稠密网络连接，并将通过稠密网络连接后的卷积核串联后并通过1
×
1卷积层进行局部特征融合，最后将第d层残差密集块RDB局部特征融合后的稠密残差特征与第d
‑
1层残差密集块RDB的稠密残差特征进行局部残差连接；其中，所述局部特征融合定义为：
[0022][0023]公式中和代表着第d层RDB的1
×
1卷积层的权重和偏差，[F
d
‑1,F
d,1
,...,F
c
,...,F
d,C
]指第d个RDB的局部特征的串联；将第d层残差密集块RDB局部特征融合后的稠密残差特征与第d
‑
1层残差密集块RDB的稠密残差特征进行局部残差连接，定义为：
[0024]F
d
＝F
d
‑1+F
d,LF
[0025]其中F
d,LF
为残差密集块RDB局部特征融合后的稠密残差特征，F
d
表示第d层残差密集块RDB的稠密残差特征，F
d
‑1表示第d
‑
1层残差密集块RDB的稠密残差特征。
[0026]优选的，所述将所述通过D层残差密集块RDB处理得到稠密残差特征串联后并通过一个1*1卷积核的卷积进行融合，得到全局特征，表示为：
[0027][0028]公式中和分别代表D层RDB的1
×
1卷积层的权重和偏差，[F1,F2,......，F
d
]表示D层残差密集块RDB的稠密残差特征的串联，F
GF
表示全局特征。
[0029]优选的，所述将所述浅层特征与全局特征通过残差连接融合在一起进行全局特征学习，得到全局学习特征并进行放大操作，堆叠一个向上缩放层以获得特征提取后的图像，其中：
[0030]所述浅层特征与全局特征通过残差连接融合在一起进行全局特征学习，表示为：
[0031]F
GR
＝F
‑1+F
GF
，其中，F
‑1为浅层特征，F
GF
表示全局特征，F
GR
表示全局学习特征；
[0032]将全局学习特征进行放大操作，堆叠一个向上缩放层以获得特征提取后的图像，表示为：
[0033]I
output
＝δ(W
output
*Upscale(F
GR
)+b
output
)其中，W
output
表示卷积操作，Upscale()为放大操作函数，b
output
表示偏置，I
output
为特征提取后的图像。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于影像学的新冠肺炎诊断和病情追踪方法，其特征在于，包括以下步骤：将患者CT图像载入卷积神经网络中提取浅层特征；将所述浅层特征通过D层残差密集块RDB均进行局部特征融合，得到稠密残差特征；将所述D层残差密集块RDB的每层对应的稠密残差特征串联后并通过一个1*1卷积核的卷积进行融合，得到全局特征；将所述浅层特征与全局特征通过残差连接融合在一起进行全局特征学习，得到全局学习特征并进行放大操作，堆叠一个向上缩放层以获得特征提取后的图像；最终通过softmax分类器对特征提取后的图像进行分类，输出所述特征提取后的图像的分类结果所对应患者是否属于新冠肺炎患者，如果是则提取病灶区域。2.根据权利要求1所述的一种基于影像学的新冠肺炎诊断和病情追踪方法，其特征在于，所述将CT图像载入卷积神经网络中进行浅层特征提取，使用两个卷积层来提取浅层特征，具体为公式为：公式中，W
‑1和W0为卷积滤波器，b
‑1和b0为偏差，F
‑1和F0是被提取的浅层特征，δ是非线性激活函数，I
input
表示输入图像信号。3.根据权利要求1所述的一种基于影像学的新冠肺炎诊断和病情追踪方法，其特征在于：所述D层残差密集块RDB中第d层残差密集块RDB输出的稠密残差特征F
d
用以下公式表示：F
d
＝f
RDB,d
(F
d
‑1)＝f
RDB,d
(f
RDB,d
‑1(...(f
RDB,1
(F0))...))公式中f
RDB,d
表示RDB的第d次前向操作。4.根据权利要求3所述的一种基于影像学的新冠肺炎诊断和病情追踪方法，其特征在于：所述D层残差密集块RDB中每层残差密集块RDB包括五个3*3卷积核的卷积，所述卷积核通过稠密网络连接，并将通过稠密网络连接后的卷积核串联后并通过1
×
1卷积层进行局部特征融合，最后将第d层残差密集块RDB局部特征融合后的稠密残差特征与第d
‑
1层残差密集块RDB的稠密残差特征进行局部残差连接；其中，所述局部特征融合定义为：公式中和代表着第d层RDB的1
×
1卷积层的权重和偏差，[F
d
‑1,F
d,1
,...,F
c
,...,F
d,C
]指第d个RDB的局部特征的串联；将第d层残差密集块RDB局部特征融合后的稠密残差特征与第d
‑
1层残差密集块RDB的稠密残差特征进行局部残差连接，定义为：F
d
＝F
d
‑1+F
d,LF
其中F
d,LF
为残差密集块RDB局部特征融合后的稠密残差特征，F
d
表示第d层残差密集块RDB的稠密残差特征，F
d
‑1表示第d
...

【专利技术属性】
技术研发人员：郑传胜，杨帆，赵煌旋，黄嘉，范文亮，吴绯红，向东桥，陈乐庆，
申请(专利权)人：华中科技大学同济医学院附属协和医院，
类型：发明
国别省市：