一种基于深度学习的新冠肺炎CT图像分类方法及系统技术方案

本发明专利技术公开了一种基于深度学习的新冠肺炎CT图像分类方法及系统，包括以下步骤：步骤S1、在患病周期内获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的所述新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇；步骤S2、基于深度学习机制构建新冠肺炎CT图像分类模型，并对所述新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的所述病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将所述病情发展阶段作为新冠肺炎CT图像的类别标签。本发明专利技术实现对所述新冠肺炎目标病患在患病周期内的所有新冠肺炎CT图像进行分阶段的快速划分。所有新冠肺炎CT图像进行分阶段的快速划分。所有新冠肺炎CT图像进行分阶段的快速划分。

A CT image classification method and system of COVID-19 based on deep learning

【技术实现步骤摘要】
一种基于深度学习的新冠肺炎CT图像分类方法及系统


[0001]本专利技术涉及新冠肺炎
，具体涉及一种基于深度学习的新冠肺炎CT图像分类方法及系统。

技术介绍

[0002]新冠肺炎是一种传染性极强的疾病，新型冠状病毒肺炎以发热、干咳、乏力等为主要表现，少数患者伴有鼻塞、流涕、腹泻等上呼吸道和消化道症状。重症病例多在1周后出现呼吸困难，严重者快速进展为急性呼吸窘迫综合征、脓毒症休克、难以纠正的代谢性酸中毒和出凝血功能障碍及多器官功能衰竭等，监测患者肺部功能是一种有效判定患者康复情况的诊疗手段。
[0003]现有技术中，CN201911338434.1公开了一种电子计算机断层扫描CT图像分类方法、装置及设备，该方法包括：获取待分类CT图像中各个像素点的点云数据；根据各个像素点的点云数据以及待分类CT图像中任意两个像素点之间的距离，生成各个像素点对应的全局影响特征；将各个像素点的点云数据分别与各个像素点对应的全局影响特征进行叠加，得到各个像素点的融合特征数据；基于待分类CT图像中各个像素点的融合特征数据进行图像分类，得到待分类CT图像的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的新冠肺炎CT图像分类方法，其特征在于，包括以下步骤：步骤S1、在患病周期内获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的所述新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇，其中，同一所述新冠肺炎CT图像阶段簇中包含的所有新冠肺炎CT图像位于同一病情发展阶段，不同所述新冠肺炎CT图像阶段簇中包含的新冠肺炎CT图像位于不同病情发展阶段；步骤S2、基于深度学习机制构建新冠肺炎CT图像分类模型，并利用所述新冠肺炎CT图像分类模型对所述新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的所述病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将所述病情发展阶段作为新冠肺炎CT图像的类别标签，以实现对所述新冠肺炎目标病患在患病周期内的所有新冠肺炎CT图像进行分阶段的快速划分并快速掌握每个新冠肺炎CT图像位于的病情发展阶段。2.根据权利要求1所述的一种基于深度学习的新冠肺炎CT图像分类方法，其特征在于：所述步骤S1中，所述新冠肺炎CT图像阶段簇的划分方法包括：步骤S101、将一组连续的所述新冠肺炎CT图像的直方图进行相邻差异度计算，所述相邻差异度的计算公式为：式中，J
i,i+1
表征为一组连续的所述新冠肺炎CT图像中相邻的新冠肺炎CT图像i和i+1的差异度，i表征为新冠肺炎CT图像区分标号，g
i,j
、g
i+1,j
分别表征为相邻的新冠肺炎CT图像i和i+1的直方图向量中第j个元素，j表征为计量常数，无实质含义，m表征为直方图向量的元素总数量；步骤S102、设定差异度阈值，将所述相邻差异度与所述差异度阈值相比较，其中，若相邻差异度J
i,i+1
大于差异度阈值，则相邻差异度J
i,i+1
对应的两个新冠肺炎CT图像i和i+1归属于两个不同的新冠肺炎CT图像阶段簇，并将新冠肺炎CT图像i和i+1分别标记为终止图像和起始图像；若相邻差异度J
i,i+1
小于等于差异度阈值，则相邻差异度J
i,i+1
对应的两个新冠肺炎CT图像i和i+1归属于同一的新冠肺炎CT图像阶段簇；将一组连续的所述新冠肺炎CT图像沿相邻的终止图像和起始图像进行切割分成多组局部连续的新冠肺炎CT图像，并将每组局部连续的新冠肺炎CT图像作为一个新冠肺炎CT图像阶段簇，以实现将一组连续的所述新冠肺炎CT图像进行阶段性划分得到新冠肺炎CT图像阶段簇。3.根据权利要求2所述的一种基于深度学习的新冠肺炎CT图像分类方法，其特征在于：所述步骤S1中，在所述相邻差异度计算之前需要对一组连续的所述新冠肺炎CT图像进行图像调整以保证新冠肺炎CT图像的直方图向量表征的图像像素信息一致，所述图像调整的方法包括：为一组连续的所述新冠肺炎CT图像中每个新冠肺炎CT图像均设置两个定位点，其中，两个所述定位点的坐标为O(x
i,1
，y
i,1
)，P(x
i,2
，y
i,2
)，x
i,1
，y
i,1
表征为新冠肺炎CT图像i的定
位点O的横、纵坐标，x
i,2
，y
i,2
表征为新冠肺炎CT图像i的定位点P的横、纵坐标；采用随机Hough变换对一组连续的所述新冠肺炎CT图像中每个新冠肺炎CT图像进行检测，通过定位点在新冠肺炎CT图像上的几何变换对一组连续的所述新冠肺炎CT图像的大小、位置偏差进行调整。4.根据权利要求3所述的一种基于深度学习的新冠肺炎CT图像分类方法，其特征在于：所述大小、位置偏差的调整方法包括：以一组连续的所述新冠肺炎CT图像中的新冠肺炎CT图像1为基准图像A，依次以一组连续的所述新冠肺炎CT图像中的新冠肺炎CT图像k(k∈[2,n])为调整图像B，计算基准图像A中两个定位点的水平偏角σ
OP
和调整图像B中两个定位点的水平偏角σ
′
OP
，其中，若σ
OP
≠σ
′
OP
，则对调整图像B进行σ
AB
‑
σ
′
AB
角度的旋转变换；若σ
OP
＝σ
′
OP
，则调整图像B无需进行旋转变换；计算基准图像A中两个定位点之间的距离D
OP
和调整图像B中两个定位点之间的距离D
′
OP
，其中，若D
OP
≠D
′
OP
，则对调整图像B进行D
′
OP
/D
OP
倍的缩放变换；若D
OP
＝D
′
O...

【专利技术属性】
技术研发人员：郑传胜，杨帆，范文亮，聂壮，喻杰，张兰，孙文刚，金倩娜，吴绯红，陈乐庆，杨金荣，
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：