基于信息融合的肺部图像检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了基于信息融合的肺部图像检测方法、装置及存储介质，方法包括：融合肺部CT图像和预设的人口信息训练三维卷积神经网络；将肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，得到特征金字塔序列；基于预设的第二神经网络模型，融合特征金字塔序列，得到融合信息，提取融合信息的第一特征值，接着得到肺部图像检测结果。本发明专利技术实施例通过融合人口信息和肺部CT图像，以增强处理高维数据的能力，通过建立特征金字塔来提取低分辨率和低梯度特征，通过增强的多头注意力机制，分配和融合不同特征金字塔层中表示子空间的加权重要性，使得模型在跨中心验证任务中取得良好的结果。取得良好的结果。取得良好的结果。

【技术实现步骤摘要】
基于信息融合的肺部图像检测方法、装置及存储介质


[0001]本专利技术涉及医用检测
，尤其涉及的是基于信息融合的肺部图像检测方法、装置及存储介质。

技术介绍

[0002]特定肺部病毒的肆虐给我们的生产和生活带来了巨大的影响，对其进行精准的检测显得尤为重要，但是现有技术中肺部图像的检测面临低分辨率和低梯度特征，通过人眼的CT图像很难发现早期特定肺炎病毒，并且通过人工方法来识别肺部图像的特征，效率非常的低下。近年来，采用深度学习来检测肺部图像取得了不错的效果，但是现有的检测方法仍然存在一些局限性，大多数现有研究通常基于单个中心，数据量有限，数据维度高，使得在对肺部图像进行检测时，分辨率低，从而导致检测结果准确度低。
[0003]因此，现有技术还有待改进和发展。

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于信息融合的肺部图像检测方法、装置及存储介质，旨在解决现有技术中基于单个中心，数据量有限，数据维度高，使得在对特定肺部图像进行检测时，分辨率低，从而导致检测结果准确度低的问题。
[0005]本专利技术解决问题所采用的技术方案如下：
[0006]第一方面，本专利技术实施例提供一种基于信息融合的肺部图像检测方法，其中，所述方法包括：
[0007]获取肺部CT图像，并基于所述肺部CT图像和预设的人口信息，训练三维卷积神经网络；其中，所述人口信息用于表征患者的年龄和性别；
[0008]将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，并根据所述第一神经网络模型，得到特征金字塔序列；其中，所述特征金字塔序列为所述神经网络模型每层特征值的汇集；
[0009]基于预设的第二神经网络模型，融合所述特征金字塔序列，得到融合信息，提取所述融合信息的第一特征值，基于预设的第三神经网络模型和所述第一特征值，得到肺部图像检测结果；其中，所述第三神经网络模型采用增强的多头注意力机制。
[0010]在一种实现方式中，所述三维卷积神经网络包括堆叠卷积层和最大池化层。
[0011]在一种实现方式中，所述基于所述肺部CT图像和预设的人口信息，训练三维卷积神经网络包括：
[0012]将所述肺部CT图像输入至由三维卷积神经网络和预设的第一分类器组成的网络，进行性别类别训练；
[0013]将所述肺部CT图像输入至由经过性别类别训练后的三维卷积神经网络和预设的第二分类器组成的网络，进行年龄类别训练。
[0014]在一种实现方式中，所述第一神经网络模型包括已训练的三维卷积神经网络和所述第一分类器；所述将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，并根据所述第一神经网络模型，得到特征金字塔序列包括：
[0015]将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型；
[0016]将所述第一神经网络模型中的每层输出的第二特征值进行汇集，得到特征金字塔序列。
[0017]在一种实现方式中，所述基于预设的第二神经网络模型，融合所述特征金字塔序列，得到融合信息，提取所述融合信息的第一特征值包括：
[0018]基于有序神经元长短期记忆人工神经网络，将所述特征金字塔序列中的所有多尺度特征进行融合，得到融合信息；
[0019]提取所述融合信息的第一特征值。
[0020]在一种实现方式中，所述增强多头注意力模型包括若干自我注意力模型和若干相异的激活函数组成。
[0021]在一种实现方式中，所述方法还包括：
[0022]基于若干预设的测试任务对所述第一神经网络模型、所述第一神经网络模型和所述第一神经网络模型进行测试。
[0023]第二方面，本专利技术实施例还提供一种基于信息融合的肺部图像检测装置，其中，所述装置包括：
[0024]训练模块，用于获取肺部CT图像，并基于所述肺部CT图像和预设的人口信息，训练三维卷积神经网络；其中，所述人口信息用于表征患者的年龄和性别；
[0025]特征提取模块，用于将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，并根据所述第一神经网络模型，得到特征金字塔序列；其中，所述特征金字塔序列为所述神经网络模型每层特征值的汇集；
[0026]特征值融合和肺部图像检测模块，用于基于预设的第二神经网络模型，融合所述特征金字塔序列，得到融合信息，提取所述融合信息的第一特征值，基于预设的第三神经网络模型和所述第一特征值，得到肺部图像检测结果；其中，所述第三神经网络模型采用增强的多头注意力机制。
[0027]第三方面，本专利技术实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于信息融合的肺部图像检测方法。
[0028]第四方面，本专利技术实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的基于信息融合的肺部图像检测方法。
[0029]本专利技术的有益效果：本专利技术实施例首先获取肺部CT图像，并基于所述肺部CT图像和预设的人口信息，训练三维卷积神经网络；其中，所述人口信息用于表征患者的年龄和性别；然后将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，并根据所述第一神经网络模型，得到特征金字塔序列；其中，所述特征金字塔序列为所述神经网络模型每层特征值的汇集；最后基于预设的第二神经网络模型，融合所述特征金字塔
序列，得到融合信息，提取所述融合信息的第一特征值，基于预设的第三神经网络模型和所述第一特征值，得到肺部图像检测结果；其中，所述第三神经网络模型采用增强的多头注意力机制；可见，本专利技术实施例中通过融合人口信息和肺部CT图像，以增强处理高维数据的能力，通过建立特征金字塔来提取低分辨率和低梯度特征，通过增强的多头注意力机制，分配和融合不同特征金字塔层中表示子空间的加权重要性，使得模型在跨中心验证任务中取得良好的结果。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例提供的基于信息融合的肺部图像检测方法流程示意图。
[0032]图2为本专利技术实施例提供的一种实现方式的基于信息融合的肺部图像检测方法流程示意图。
[0033]图3为本专利技术实施例提供的一种实现方式的特征金字塔序列模型的结构图。
[0034]图4为本专利技术实施例提供的一种实现方式的ON
‑
LSTM结构图。
[0035]图5为本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息融合的肺部图像检测方法，其特征在于，所述方法包括：获取肺部CT图像，并基于所述肺部CT图像和预设的人口信息，训练三维卷积神经网络；其中，所述人口信息用于表征患者的年龄和性别；将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，并根据所述第一神经网络模型，得到特征金字塔序列；其中，所述特征金字塔序列为所述神经网络模型每层特征值的汇集；基于预设的第二神经网络模型，融合所述特征金字塔序列，得到融合信息，提取所述融合信息的第一特征值，基于预设的第三神经网络模型和所述第一特征值，得到肺部图像检测结果；其中，所述第三神经网络模型采用增强的多头注意力机制。2.根据权利要求1所述的基于信息融合的肺部图像检测方法，其特征在于，所述三维卷积神经网络包括堆叠卷积层和最大池化层。3.根据权利要求1所述的基于信息融合的肺部图像检测方法，其特征在于，所述基于所述肺部CT图像和预设的人口信息，训练三维卷积神经网络包括：将所述肺部CT图像输入至由三维卷积神经网络和预设的第一分类器组成的网络，进行性别类别训练；将所述肺部CT图像输入至由经过性别类别训练后的三维卷积神经网络和预设的第二分类器组成的网络，进行年龄类别训练。4.根据权利要求3所述的基于信息融合的肺部图像检测方法，其特征在于，所述第一神经网络模型包括已训练的三维卷积神经网络和所述第一分类器；所述将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型，并根据所述第一神经网络模型，得到特征金字塔序列包括：将所述肺部CT图像输入至包含已训练的三维卷积神经网络的第一神经网络模型；将所述第一神经网络模型中的每层输出的第二特征值进行汇集，得到特征金字塔序列。5.根据权利要求1所述的基于信息融合的肺部图像检测方法，其特征在于，所述基于预设的第二神经网络模型，融合所述特征金字塔序列，得到融合信息，提取所述融合信息的第一特征值包括：基于有...

【专利技术属性】
技术研发人员：陈昆涛，雷柏英，
申请(专利权)人：遵义医科大学第五附属珠海医院，
类型：发明
国别省市：