基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置，用预训练的神经网络提取特征映射，解决训练集的数据量过小导致的深度学习网络模型可能存在的过拟合问题。并提出了一种子空间分解方法，将特征向量分解为两个子空间，揭示两个子空间在CT图像诊断任务中的作用。利用含有关键特征的子空间构建变换矩阵，将特征映射降维，不仅去除了冗余特征，降低了算法的计算成本，也提高了模型的分类性能。最后通过科学的阈值设置方式，降低了误诊概率，并引入评估指标，为辅助诊断提供参考。辅助诊断提供参考。辅助诊断提供参考。

【技术实现步骤摘要】
基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置


[0001]本专利技术涉及医学图像处理领域，具体涉及一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置。

技术介绍

[0002]检测新型冠状病毒感染的主要方式有核酸检测与肺部CT两种。近年来，随着深度学习在计算机视觉领域的进展，基于图像的异常检测方法在医学图像处理中得到了大量的应用。从现有的情况看，基于深度学习的医疗图像诊断方法在数据驱动的支撑下，能够实现远超传统方法的准确度。然而基于深度学习的方法也存在其问题：达到临床标准的网络往往非常复杂，网络提取出的深度特征集异常庞大，特征冗余不可避免。这些冗余的特征不仅增加了计算成本也降低了网络的准确率，因此如何减少深度特征的冗余提高计算性能成为当前亟待解决的问题。

技术实现思路

[0003]针对现有的基于深度学习的医疗图像诊断方法的不足，本申请的实施例的目的在于提出了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置，来解决以上
技术介绍
部分提到的技术问题。
[0004]第一方面，本专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，其特征在于，包括以下步骤：S1，构建正常类训练集{x
N
}和新冠患者训练集{x
A
}，通过深度学习网络模型使用所述正常类训练集{x
N
}和新冠患者训练集{x
A
}分别构建正常类的高斯模型组G
N
和新冠患者的高斯模型组G
A
；S2，获取待分类CT图像集{y}，分别计算所述待分类CT图像集{y}通过所述深度学习网络模型得到的降维后特征映射与所述正常类的高斯模型组G
N
中每层高斯模型以及所述新冠患者的高斯模型组G
A
中每层高斯模型之间的马氏距离，得到第一马氏距离和第二马氏距离S3，根据所述正常类训练集{x
N
}和新冠患者训练集{x
A
}在所述正常类的高斯模型组G
N
和新冠患者的高斯模型组G
A
上的马氏距离得到正常类的判定阈值T
N
和新冠患者的判定阈值T
A
；S4，根据所述正常类的判定阈值T
N
和新冠患者的判定阈值T
A
以及所述第一马氏距离和第二马氏距离得到正常类的分类指标和新冠患者的分类指标，根据所述正常类的分类指标和新冠患者的分类指标确定分类结果。2.根据权利要求1所述的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，其特征在于，所述深度学习网络模型具有若干层网络，每层网络均采用带有参数θ的分类器Ψ
θ
(
·
)进行深度特征提取，将CT图像x
i
映射到深度特征表示域f
i
＝Ψ
θ
(x
i
)，N
F
为特征维度。3.根据权利要求1所述的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，其特征在于，所述深度学习网络模型包括ResNet或EfficientNet。4.根据权利要求1所述的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，其特征在于，所述步骤S1中通过深度学习网络模型使用所述正常类训练集{x
N
}和新冠患者训练集{x
A
}分别构建正常类的高斯模型G
N
和新冠患者的高斯模型G
A
，具体包括：S11，基于训练集的特征映射{f
i
}，可计算对应的均值向量和协方差矩阵对协方差矩阵进行主成分分析，得到特征向量矩阵V和特征值矩阵D，其中，特征值矩阵D是以特征值λ
i
,i∈[1,N
F
]为对角元素的对角矩阵；S12，通过设置分界点将特征值λ
i
分成两组：和将对应的特征向量空间分成两个子空间：显著特征子空间Φ1和不显著特征子空间Φ2；子空间分界点的估计方法为：其中，m
r
为协方差矩阵的秩，λ
med
为特征值的中位数，特征向量矩阵V的前m个特征向量属于显著特征子空间Φ1，其余特征向量属于不显著特征子空间Φ2；S13，将不显著特征子空间Φ2构造成一个变换矩阵，对于每个特征映射，左乘变换矩阵获得降维后的特征映射降维后特征映射的均值向量和协方差矩阵表示为：
其中，Ns表示训练集样本数；S14，分别使用所述正常类训练集{x
N
}和新冠患者训练集{x
A
}进行步骤S11
‑
S13，通过所述深度学习网络模型的每层网络提取特征映射构建高斯模型，分别得到所述正常类的高斯模型组和新冠患者的高斯模型组其中，s表示所述深度学习网络模型的网络层数。5.根据权利要求4所述的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，其特征在于，所述步骤S2具体包括：将所述待分类CT图像集中的CT图像依次输入所述深度学习网络模型，通过步骤S11
‑
S13，得到降维后的特征映射计算与每层高斯模型之间的马氏距离矩阵dd＝[d1,d2,
…
,d
s
]，其中：对马氏距离矩阵d按列进行归一化处理后再按行求均值，则待分类CT图像集与所述正常类训练集{x
N
}或新冠患者训练集{x
A
}之间的马氏距离表示为:其中，与分别代表所述正常类训练集{x
N
}或新冠患者训练集{x
A
}的所有样本的第j层特征所计算的马氏距离均值与标准差，对应得到所述第一马氏距离和第二马氏距离6.根据权利要求1所述的基于深度学习和高斯建模的新型冠状...

【专利技术属性】
技术研发人员：陈忠，林杰，杨钰，
申请(专利权)人：厦门大学，
类型：发明
国别省市：