肺炎的分类分割方法及系统技术方案

本发明专利技术公开了一种肺炎的分类分割方法及系统，涉及图像处理技术领域。该方法包括：获取预设数量的包含肺炎的肺部CT图像并构建训练集；通过训练集对预设的卷积神经网络进行训练，并通过损失函数对训练得到的输出结果进行迭代优化，卷积神经网络的输入为肺部CT图像，输出为肺炎区域、肺炎类别和肺炎征象；获取待处理的肺部CT图像，将待处理的肺部CT图像输入到优化后的卷积神经网络中，得到待处理的肺部CT图像的肺炎区域和肺炎类别。本发明专利技术提升了模型的准确性以及学习效率，进而提升分类与分割的准确度。的准确度。的准确度。

【技术实现步骤摘要】
肺炎的分类分割方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及一种肺炎的分类分割方法及系统。

技术介绍

[0002]目前，在病毒性肺炎分类与分割的项目中，通常使用卷积神经网络算法来完成该项任务。通过将肺部区域从CT图像中提取出来，作为模型的输入数据，然后利用一个深度卷积神经网络(CNN)对输入数据进行降采样特征提取，降采样后分成两个分支，一个分支用CNN做上采样特征提取完成分割任务，另一个分支先后用CNN和FC完成进一步的特征提取，然后完成病毒性肺炎的分类任务。
[0003]然而，卷积神经网络的训练过程为一个黑盒的过程，即最终所呈现的结果并没有很强的解释性，这导致在训练的过程中，很难通过一些硬编码的手段对网络进行指导，导致的对肺炎种类的判断准确率不高。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种肺炎的分类分割方法及系统。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]一种肺炎的分类分割方法，包括：
[0007]获取预设数量的包含肺炎的肺部CT图像并构建训练集；
[0008]通过所述训练集对预设的卷积神经网络进行训练，并通过损失函数对训练得到的输出结果进行迭代优化，所述卷积神经网络的输入为肺部CT图像，输出为肺炎区域、肺炎类别和肺炎征象；
[0009]获取待处理的肺部CT图像，将所述待处理的肺部CT图像输入到优化后的所述卷积神经网络中，得到所述待处理的肺部CT图像的肺炎区域和肺炎类别。
[0010]本专利技术解决上述技术问题的另一种技术方案如下：
[0011]一种肺炎的分类分割系统，包括：获取单元、卷积神经网络和迭代优化单元，其中：
[0012]所述获取单元用于获取预设数量的包含肺炎的肺部CT图像并构建训练集；
[0013]所述迭代优化单元用于通过所述训练集对预设的所述卷积神经网络进行训练，并通过损失函数对训练得到的输出结果进行迭代优化；
[0014]所述卷积神经网络的输入为肺部CT图像，输出为肺炎区域、肺炎类别和肺炎征象；
[0015]所述获取单元还用于获取待处理的肺部CT图像，将所述待处理的肺部CT图像输入到优化后的所述卷积神经网络中，得到所述待处理的肺部CT图像的肺炎区域和肺炎类别。
[0016]本专利技术的有益效果是：本专利技术提供的分类分割方法及系统，除了对肺炎类别本身对模型的监督外，还添加了对肺炎分类影响权重非常高的肺炎病灶征象特征进行辅助的监督，即在原有两个识别分支的基础上再加一个分支，新加的分支用来做n个是否存在特定征象的二分类任务，通过这个分支来对三个分支共享的网络结构进行辅助优化。通过这种辅
助监督的方式，让网络模型在学习的过程中更有方向性，从而提升了模型的准确性以及学习效率，进而提升分类与分割的准确度。
[0017]本专利技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。
附图说明
[0018]图1为本专利技术分类分割方法的实施例提供的流程示意图；
[0019]图2为本专利技术分类分割方法的实施例提供的分类模型示意图；
[0020]图3为本专利技术分类分割方法的其他实施例提供的卷积模块示意图；
[0021]图4为本专利技术分类分割系统的实施例提供的结构框架示意图。
具体实施方式
[0022]以下结合附图对本专利技术的原理和特征进行描述，所举实施例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0023]如图1所示，为本专利技术分类分割方法的实施例提供的流程示意图，该分类分割方法用于肺炎的分类分割，该方法包括：
[0024]S1，获取预设数量的包含肺炎的肺部CT图像并构建训练集。
[0025]需要说明的是，可以预先对包含肺炎的肺部CT图像的病灶进行标记，例如，可以标记为新冠肺炎、其他肺炎和健康肺部。
[0026]此外，为了通过肺炎征象对卷积神经网络进行优化，还需要提前对肺炎征象进行标记。
[0027]应理解，肺炎征象指的是用于确定肺炎所属类别的直观图像特征，例如，可以包括实变影、斑片影、磨玻璃影和条索影等。
[0028]以磨玻璃影为例，指的是肺炎的病灶区域出现了磨玻璃状的模糊区域，可以用于辅助肺炎的分类。
[0029]S2，通过训练集对预设的卷积神经网络进行训练，并通过损失函数对训练得到的输出结果进行迭代优化，卷积神经网络的输入为肺部CT图像，输出为肺炎区域、肺炎类别和肺炎征象。
[0030]需要说明的是，预设的卷积神经网络可以根据实际需求选择和设置，例如，Resnet、VGGnet或Densenet等均可作为特征提取的深度卷积网络。
[0031]如图2所示，提供了一种示例性的分类模型示意图，包括CNN和损失函数，输入的训练集图像21经过CNN下采样层22下采样后，一路分别经过CNN上采样层23上采样输出分割结果，即肺炎区域25，另一路经过下采样层24和FC层输出分类结果，即肺炎类别26，又一路经过下采样层24和N个并行的FC层输出肺炎征象的判断结果，即肺炎征象27，然后通过3个损失函数28分别进行迭代优化，对以上分类模型进行训练，直到损失函数收敛后停止训练。
[0032]需要说明的是，N个并行的FC层中，每个FC层做的是判断图像中是否存在某一类征象的二分类任务，得到的最终结果是输入的图像中是否存在某肺炎征象的判断结果。
[0033]例如，假设肺炎征象包括实变影、斑片影、磨玻璃影和条索影，那么可以设置4个并行的FC层，得到4个判断结果，分别是实变影、斑片影、磨玻璃影和条索影的有无。
[0034]应理解，本领域技术人员可以根据实际需求选择损失函数，例如，可以为绝对值损失函数、log对数损失函数、平方损失函数或0
‑
1损失函数等。
[0035]S3，获取待处理的肺部CT图像，将待处理的肺部CT图像输入到优化后的卷积神经网络中，得到待处理的肺部CT图像的肺炎区域和肺炎类别。
[0036]在现有的技术中，使用神经网络进行病毒性肺炎的分类，仅从最终结果的方向对网络模型进行了监督，而本实施例提供的分类分割方法及系统，除了对肺炎类别本身对模型的监督外，还添加了对肺炎分类影响权重非常高的肺炎病灶征象特征进行辅助的监督，即在原有两个识别分支的基础上再加一个分支，新加的分支用来做N个是否存在特定征象的二分类任务，通过这个分支来对三个分支共享的网络结构进行辅助优化。通过这种辅助监督的方式，让网络模型在学习的过程中更有方向性，从而提升了模型的准确性以及学习效率，进而提升分类与分割的准确度。
[0037]可选地，在一些可能的实施方式中，获取预设数量的包含肺炎的肺部CT图像并构建训练集，具体包括：
[0038]获取预设数量的包含肺炎的肺部CT图像，对每张肺部CT图像中的肺炎区域进行标注，并对肺炎区域的肺炎类别和肺炎征象进行标注；
[0039]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺炎的分类分割方法，其特征在于，包括：获取预设数量的包含肺炎的肺部CT图像并构建训练集；通过所述训练集对预设的卷积神经网络进行训练，并通过损失函数对训练得到的输出结果进行迭代优化，所述卷积神经网络的输入为肺部CT图像，输出为肺炎区域、肺炎类别和肺炎征象；获取待处理的肺部CT图像，将所述待处理的肺部CT图像输入到优化后的所述卷积神经网络中，得到所述待处理的肺部CT图像的肺炎区域和肺炎类别。2.根据权利要求1所述的肺炎的分类分割方法，其特征在于，获取预设数量的包含肺炎的肺部CT图像并构建训练集，具体包括：获取预设数量的包含肺炎的肺部CT图像，对每张肺部CT图像中的肺炎区域进行标注，并对肺炎区域的肺炎类别和肺炎征象进行标注；将标注后的预设数量的肺部CT图像作为训练集。3.根据权利要求1所述的肺炎的分类分割方法，其特征在于，通过所述训练集对预设的卷积神经网络进行训练，具体包括：通过所述卷积神经网络提取所述训练集中肺部CT图像的图像特征；基于所述图像特征，分别进行：处理一：上采样，确定所述图像特征的肺炎区域预测；处理二：下采样、全连接和激活函数处理，确定所述图像特征的肺炎类别；处理三：下采样，并通过预设的N个全连接层确定所述图像特征是否存在对应的肺炎征象；其中，N为肺炎征象的数量。4.根据权利要求3所述的肺炎的分类分割方法，其特征在于，通过所述卷积神经网络提取所述训练集中肺部CT图像的图像特征，具体包括：通过至少一个依次连接的卷积模块提取所述训练集中肺部CT图像的图像特征，其中，每个所述卷积模块根据以下步骤提取肺部CT图像的图像特征：通过卷积层提取所述训练集中肺部CT图像的第一图像特征；通过通道注意力层对所述第一图像特征进行处理，得到第二图像特征；通过空间注意力层对所述第二图像特征进行处理，得到第三图像特征；将所述第三图像特征与所述第一图像特征进行结合，得到当前卷积模块输出的图像特征。5.根据权利要求1至4中任一项所述的肺炎的分类分割方法，其特征在于，通过损失函数对训练得到的输出结果进行迭代优化，具体包括：分别通过预设的损失函数计算所述肺炎区域、所述肺炎类别和所述肺炎征象的损失值，然后通过预设权重对所述损失值进行处理，根据得到的处理结果调整所述预设权重，直到得到的所述处理结果符合预设条件...

【专利技术属性】
技术研发人员：柴象飞，郭娜，张路，刘鹏飞，仇力维，
申请(专利权)人：慧影医疗科技北京有限公司，
类型：发明
国别省市：