一种基于人工智能技术的肺炎分类方法及装置制造方法及图纸

本发明专利技术提供一种基于人工智能技术的肺炎分类方法及装置，本方案采用深度学习分割算法实现肺组织预处理分割，排除背景区域对病灶区域的影响，同时使用基于MixEfficientNet网络的肺炎分类模型实现细菌性肺炎、真菌性肺炎、病毒性肺炎的准确分类。同时采用了离散数据和肺部影像数据结合，通过权重因子和加权特征向量验证、修正肺炎分类模型的分类结果，从而使得分类结果更加准确。得分类结果更加准确。得分类结果更加准确。

【技术实现步骤摘要】
一种基于人工智能技术的肺炎分类方法及装置


[0001]本专利技术涉及医学图像处理
，具体涉及一种基于人工智能技术的肺炎分类方法及装置。

技术介绍

[0002]肺炎是常见的肺部感染性疾病之一，其发病率和死亡率较高，近年来呈明显上升的趋势，受到了临床的广泛关注。肺炎多数是由细菌、病毒或真菌引起的，其病原诊断是临床治疗过程中选择治疗手段的重要依据。作为肺炎主要检测手段之一的胸部CT影像，往往需要资深的放射科医生进行识别诊断，工作繁重且耗时。随着计算机技术、大数据技术、人工智能技术的发展，使用人工智能辅助诊断技术，帮助医生判断肺炎病原体类型，已成为一种未来趋势，此外在临床上除了观察CT影像，医生还会根据各种化验结果、症状等数据来进一步确认肺炎种类。
[0003]基于以上，亟需一种能够提升自动化分析和智能确定肺炎种类以辅助诊断的方法。
[0004]本专利技术提出一种综合使用CT影像以及各种临床数据的基于人工智能技术的细菌、病毒和真菌性肺炎分类方法，将人工智能技术应用于肺炎分类问题上，辅助医生对肺炎进行自动化地分析和诊断，提升医生诊断的准确率及效率。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术提出一种，
[0006]以解决现有技术中存在的作为肺炎主要检测手段之一的胸部CT影像，往往需要资深的放射科医生进行识别诊断，工作繁重且耗时的技术问题。
[0007]一种基于人工智能技术的肺炎分类方法，其特征在于，包括：将获取的患者临床数据分为离散型数据和肺部影像数据；采用Onehot对所述离散型数据集进编码，将所述离散型数据数值化；基于数值化的所述离散型数据，建立全连接网络，提取特征作为权重因子，得到加权特征向量；采用深度学习分割算法，对所述肺部影像数据进行分割，得到目标图像；采用基于MixEfficientNet网络的肺炎分类模型对所述目标图像中携带的肺炎病原体类型进行分类；基于所述权重因子和所述加权特征向量验证、修正所述肺炎分类模型的分类结果。
[0008]在一个实施例中，所述采用深度学习分割算法，对所述肺部影像数据进行分割，得到目标图像步骤，包括：对获取到的多个肺部影像数据进行肺野区域、肺炎病灶区域划分得到初始图像，且所述初始图像中采用标签标注携带肺炎的所属分类；采用Unet分割网络对所述初始图像进行裁剪，得到仅包括肺野区域的目标图像。
[0009]在一个实施例中，所述采用Unet分割网络对所述初始图像进行裁剪，得到仅包括肺野区域的目标图像步骤之后，还包括：采用Dice Loss作为损失函数，保持所述Unet分割网络对所述初始图像进行剪裁的性能。
[0010]在一个实施例中，所述基于MixEfficientNet网络的肺炎分类模型的建立步骤包括：将所述目标图像分为训练集、验证集和测试集；采用渐进式学习方式，将所述训练集输入建立的MixEfficientNet模型中，对模型进行训练得到初始模型；采用验证集对所述初始模型进行参数确定和参数调整，得到目标模型；采用测试集对所述目标模型进行测试，对肺炎病原分类的预测结果进行评估，将评估结果符合阈值的目标模型作为肺炎分类模型。
[0011]一种基于人工智能技术的肺炎分类装置，包括数据处理模块、数据分割模块和肺炎分类模块，其中：所述数据处理模块用于，将获取的患者临床数据分为离散型数据和肺部影像数据；采用Onehot对所述离散型数据集进编码，将所述离散型数据数值化；基于数值化的所述离散型数据，建立全连接网络，提取特征作为权重因子，得到加权特征向量；所述数据分割模块用于，采用深度学习分割算法，对所述肺部影像数据进行分割，得到目标图像；所述肺炎分类模块用于，采用基于MixEfficientNet网络的肺炎分类模型对所述目标图像中携带的肺炎病原体类型进行分类；基于所述权重因子和所述加权特征向量验证、修正所述肺炎分类模型的分类结果。
[0012]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的一种基于人工智能技术的肺炎分类方法的步骤。
[0013]一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的一种基于人工智能技术的肺炎分类方法的步骤。
[0014]由上述技术方案可知，本专利技术的有益技术效果如下：
[0015]1.本方案采用深度学习分割算法实现肺组织预处理分割，排除背景区域对病灶区域的的影响，同时使用基于MixEfficientNet网络的肺炎分类模型实现细菌性肺炎、真菌性肺炎、病毒性肺炎的准确分类。
[0016]2.本方案采用基于MixEfficientNet网络的肺炎分类模型可以充分融合不同感受野的特征，从而更好的提取肺炎病灶的细节特征，提升深度神经网络的识别效果。
[0017]3.本方案采用了离散数据和肺部影像数据结合，通过权重因子和加权特征向量验证、修正肺炎分类模型的分类结果，从而使得分类结果更加准确。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0019]图1为一个实施例中一种基于人工智能技术的肺炎分类方法的流程示意图；
[0020]图2为一个实施例中MixEfficientNet网络结构示意图；
[0021]图3为一个实施例中一种基于人工智能技术的肺炎分类装置的结构框图；
[0022]图4为一个实施例中计算机设备的内部结构图。
具体实施方式
[0023]下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范
围。
[0024]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。
[0025]在一个实施例中，如图1所示，提供一种基于人工智能技术的肺炎分类方法，包括：
[0026]S110将获取的患者临床数据分为离散型数据和肺部影像数据。
[0027]具体地，对患者临床数据进行分类，得到影像数据和其他症状化验结果等离散型和数值连续型数据。
[0028]S120采用Onehot对离散型数据集进编码，将离散型数据数值化。
[0029]具体地，针对离散型数据，对其进行Onehot编码，目的是为了将其数值化。每一种数值型数据将其统一到同一个计量单位。后面将离散型和数值型特征分别输入到可解释性模块，得到加权特征向量。Onehot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。
[0030]S130基于数值化的所述离散型数据，建立全连接网络，提取特征作为权重因子，得到加权特征向量。
[0031]具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术的肺炎分类方法，其特征在于，包括：将获取的患者临床数据分为离散型数据和肺部影像数据；采用Onehot对所述离散型数据集进编码，将所述离散型数据数值化；基于数值化的所述离散型数据，建立全连接网络，提取特征作为权重因子，得到加权特征向量；采用深度学习分割算法，对所述肺部影像数据进行分割，得到目标图像；采用基于MixEfficientNet网络的肺炎分类模型对所述目标图像中携带的肺炎病原体类型进行分类；基于所述权重因子和所述加权特征向量验证、修正所述肺炎分类模型的分类结果。2.根据权利要求1所述的方法，其特征在于，所述采用深度学习分割算法，对所述肺部影像数据进行分割，得到目标图像步骤，包括：对获取到的多个肺部影像数据进行肺野区域、肺炎病灶区域划分得到初始图像，且所述初始图像中采用标签标注携带肺炎的所属分类；采用Unet分割网络对所述初始图像进行裁剪，得到仅包括肺野区域的目标图像。3.根据权利要求2所述的方法，其特征在于，所述采用Unet分割网络对所述初始图像进行裁剪，得到仅包括肺野区域的目标图像步骤之后，还包括：采用Dice Loss作为损失函数，保持所述Unet分割网络对所述初始图像进行剪裁的性能。4.根据权利要求1所述的方法，其特征在于，所述基于MixEfficientNet网络的肺炎分类模型的建立步骤包括：将所述目标图像分为训练集、验证集和测试集；采用渐进式学...

【专利技术属性】
技术研发人员：刘晨，温茹，
申请(专利权)人：中国人民解放军陆军军医大学第一附属医院，
类型：发明
国别省市：