一种基于深度视觉特征的新冠病毒胸透图像诊断方法技术

本发明专利技术公开了一种基于深度视觉特征的新冠病毒胸透图像诊断方法,采用深度视觉词包用于COVID

【技术实现步骤摘要】
一种基于深度视觉特征的新冠病毒胸透图像诊断方法


[0001]专利技术涉及深度学习，新冠病毒图像诊断领域,尤其涉及一种基于深度视觉特征的新冠病毒胸透图像诊断方法。

技术介绍

[0002]由严重急性呼吸综合征冠状病毒2型(SARS
‑
CoV
‑
2)引起的疾病，俗称COVID
‑
19，研究胸部X射线(CXR)图像可以替代拭子检查对COVID
‑ꢀ
19的早期快速诊断，CXR图像自动分析工具对于健康从业者快速进行大规模筛查非常有用，此外，最近的研究表明，人工智能技术产生更高的性能(如精度，特异性和灵敏度)比快速测试，特征提取，其中l表示代表测试图像的深度特征总数。
[0003]为了使用算法对图像进行自动分析，它们在机器中由一组语义特征表示，这些语义特征可以是传统的基于视觉的特征，也可以是基于深度学习的特征，大型人工神经网络又称为深度学习(Deep Learning，DL)模型，广泛应用于图像的特征提取，在各种类型的图像中表现出良好的性能，一些研究也使用DL模型来分析CXR图像来诊断冠状病毒，例如，最近的两项工作包括对预先训练的DL模型(如AlexNet、ResNet
‑
18、GoogleNet等)进行迁移学习的微调方法，这些方法除了需要大量的超参数调整任务外，通常还需要大量的数据来学习可分离的特征，然而，由于隐私问题，大多数生物医学图像(例如COVID
‑
19cxr图像)通常受到限制，因此，在DL模型中，处理有限的数据量始终是一个具有挑战性的问题，类似地，与其他类型的图像不同，现有的特征提取方法，例如从预训练模型获得的GAP(全局平均池)特征，由于其稀疏性(即，其中具有较少的语义区域)，可能无法为CXR图像提供准确的表示，此外，由 COVID
‑
19感染的肺部的CXR图像与其他肺炎相似(即类间相似程度很高)，在非常基本的层面上可能会有细微的差异，在我们的理解中，这些差异可以通过使用“词袋”方法而不是深层特征来捕捉。
[0004]基于视觉词包(BoVW)的特征在具有上述特征(稀疏性和高类间相似性)的图像中更为合适，他们在集合中的每个图像中考虑视觉模式/线索(称为视觉单词)，从而捕获图像中的稀疏感兴趣区域，这在一定程度上处理类间相似性问题是有用的，基于BoVW的特征提取方法不仅在传统的基于计算机视觉的方法如尺度不变特征变换(SIFT)中得到了广泛的应用，而且在基于DL的方法中也得到了广泛的应用，由于图像的不同性质，为一个域设计的深度视觉词包(BoDVW)功能可能无法很好地用于另一个域，例如，为卫星图像设计的深卷积特征包(DCF
‑
BoVW)[60]可能不完全适用于CXR图像等生物医学图像，这是因为卫星图像包含大量分散在图像中的语义区域(稠密)，因此DCF
‑
BoVW能够捕捉到足够多的语义区域，然而，CXR图像包含较少的语义区域(稀疏)，DCF
‑
BoVW可能无法准确捕获这些语义区域，本专利技术提出了一种新的基于BoDVW的CXR图像特征提取方法，该方法消除了DCF
‑
BoVW中存在的一些中间步骤，并且由于 CXR图像的性质增加了新的步骤。

技术实现思路

[0005]为了克服现有技术存在的缺点与不足,本专利技术提供一种基于深度视觉特征的新冠病毒胸透图像诊断方法。
[0006]本专利技术所采用的的技术方案是，采用一种新的基于深度特征的 BoVW方法，即深度视觉词包(Bag of deep Visual Words，BoDVW)，用于急性呼吸综合征冠状病毒2型(COVID
‑
19)感染引起肺部肺炎样效应胸部X光片(CXR)检查的诊断，该方法去除特征映射的归一化步骤，在原始特征映射上增加了深度特征的归一化步骤，保留每个特征图的语义，这些特征图具有区分COVID
‑
19和肺炎的特征。
[0007]本专利技术中，基于深度特征的视觉词包方法的改进版本，可以更准确地表示CXR图像。
[0008]本专利技术中，深度特征的视觉词包方法的改进版本在特征提取方法时分为三个步骤；
[0009]步骤1.深度特征提取：从VGG16预先训练的DL模型的中间层(第 4池层)提取每个输入图像的原始特征图；
[0010]步骤2.无监督码本/字典设计：在特征映射的深度上对每个深度特征向量执行L2规范化，利用训练集，对从所有训练图像中提取的深度特征设计了一个码本/字典；
[0011]步骤3.建议特征提取：在码本的基础上，对每幅输入图像使用一包视觉单词的方法来实现提出的特征，利用L2范数对基于视觉词包法的特征进行归一化处理，得到最终的输入图像；
[0012]本专利技术中，步骤1中，从VGG16(深度卷积神经网络)的第4池层的特征图中提取深度特征，GG16模型第4池层的特征图的大小为三维形状，H＝14(高度)、W＝14(宽度)和L＝512(长度)，从每个特征图中，得到14
×
14个特征相量，每个大小为512，然后每个特征向量被L2归一化，假设输入图像产生具有14
×
14＝196个特征向量，由x0，x1，x2，
…
，x
196
表示特征向量，每个特征向量X
i
是512维大小(即，|x
i
|＝512)，然后用 L2范数归一化，如式(1)所示。
[0013]本专利技术中，在式(1)中，特征向量x
′
i
表示从相应特征映射中提取的第i个归一化深度特征向量，在得到这样的特征向量时，加入了带分母的∈＝1e
‑
08来避免被零除的异常，因为CXR图像得到的特征映射是稀疏的，在大多数情况下更容易遇到被零除的异常。
[0014]本专利技术中，步骤2中，使用所有训练图像的深度特征(从VGG16模型中提取)来设计码本/字典，每幅图像提供的深度特征，假设有m 幅训练图像，设计的代码本的深度特征总数是196
×
m。
[0015]本专利技术中，为了设计码本或字典，使用无监督聚类算法k
‑
means，它将具有相似模式的深层特征分组成簇，给定参数k，k
‑
means算法提供深度特征的k组或簇({c1，c2，
···
，c
k
})，其中每个组中的深度特征是相似的(即，它们捕获相似的图像模式)，使用k簇质心作为深度视觉词的码本/字典，用于提取每个输入图像的特征。
[0016]本专利技术中，步骤3中，为了提取每个输入图像y的特征，步骤如下：
[0017]步骤3.1，按照权利要求4获得y的196个归一化深度特征；
[0018]步骤3.2，根据权利要求7定义的字典设计直方图，直方图的大小是k(字典大小)，其中字典c
j
中的每个代码(簇质心)都有一个权重 w
j
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度视觉特征的新冠病毒胸透图像诊断方法，其特征在于，采用一种新的基于深度特征的BoVW方法，即深度视觉词包(Bag of deep Visual Words，BoDVW)，用于急性呼吸综合征冠状病毒2型(COVID
‑
19)感染引起肺部肺炎样效应胸部X光片(CXR)检查的诊断，该方法去除特征映射的归一化步骤，在原始特征映射上增加了深度特征的归一化步骤，保留每个特征图的语义，这些特征图具有区分COVID
‑
19和肺炎的特征。2.如权利要求1所述的一种基于深度视觉特征的新冠病毒胸透图像诊断方法，其特征在于，基于深度特征的视觉词包方法的改进版本，可以更准确地表示CXR图像；深度特征的视觉词包方法的改进版本在特征提取方法时分为三个步骤；步骤1.深度特征提取：从VGG16预先训练的DL模型的中间层(第4池层)提取每个输入图像的原始特征图；步骤2.无监督码本/字典设计：在特征映射的深度上对每个深度特征向量执行L2规范化，利用训练集，对从所有训练图像中提取的深度特征设计了一个码本/字典；步骤3.建议特征提取：在码本的基础上，对每幅输入图像使用一包视觉单词的方法来实现提出的特征，利用L2范数对基于视觉词包法的特征进行归一化处理，得到最终的输入图像。3.如权利要求2所述的一种基于深度视觉特征的新冠病毒胸透图像诊断方法，其特征在于，步骤1中，从VGG16(深度卷积神经网络)的第4池层的特征图中提取深度特征，GG16模型第4池层的特征图的大小为三维形状，H＝14(高度)、W＝14(宽度)和L＝512(长度)，从每个特征图中，得到14
×
14个特征相量，每个大小为512，然后每个特征向量被L2归一化，假设输入图像产生具有14
×
14＝196个特征向量，由x0，x1，x2，
…
，x
196
表示特征向量，每个特征向量Xi是512维大小(即，|x
i
|＝512)，然后用L2范数归一化，如式(1)所示。4.如权利要求3所述的一种基于深度视觉特征的新冠病毒胸透图像诊断方法，特征在于，在式(1)中，特征向量x
′
i
表示从相应特征映射中提取的第i个归一化深度特征向量，在得到这样的特征向量时，加入了带分母的∈＝1e
‑
08来避免被零除的异常，因为CXR图像得到的特征映射是稀疏的，在大多数情...

【专利技术属性】
技术研发人员：张伟伟，
申请(专利权)人：张伟伟，
类型：发明
国别省市：