一种基于CT图像的COVID-19诊断方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了一种基于CT图像的COVID

【技术实现步骤摘要】
一种基于CT图像的COVID
‑
19诊断方法、系统、装置及介质


[0001]本专利技术涉及人工智能预测评估
，具体为一种基于CT图像的COVID
‑
19诊断方法、系统、装置及介质。

技术介绍

[0002]自COVID
‑
19疫情爆发以来，对于快速、高效且准确的COVID
‑
19智能诊断技术的追求持续高涨。目前，Mei等人提出了一种基于CT图像结合卷积神经网络以及多层感知器来尝试诊断COVID
‑
19，并取得了较为突出的效果。但是由于传统卷积神经网络的分类性能并不突出，所以Abraham和Nair提出了一种集成包括Xception在内的五种卷积神经网络模型以及核支持向量机的方法来实现对于COVID
‑
19的诊断，取得了更为突出的效果。但是此种方案存在对硬件设备要求过高的缺陷和算法求解速度较慢等问题。因此，开发研究一种模型结构简单以及快速准确的诊断技术对于COVID
‑
19的诊断与预防具有重要作用和意义。

技术实现思路

[0003]为了解决现有COVID
‑
19诊断技术存在的缺陷与不足之处，本专利技术提供了一种基于CT图像的COVID
‑
19诊断方法。本专利技术采用基于Xception的集成支持向量机和变参递归神经网络的方法对就诊人员的肺部CT图像进行识别分类，能够快速准确地识别诊断出就诊人员是否患有COVID
‑
19，有效地提高了对COVID
‑
19诊断的速度和准确率。
[0004]为实现上述方法，本专利技术采用如下技术方案：
[0005]本专利技术所提供的一种基于CT图像的COVID
‑
19诊断方法，包括如下步骤：
[0006]1)将就诊人员的肺部CT图像输入到用于数据分析的计算机设备中；
[0007]2)基于Xception将就诊人员的肺部CT图像数据化以得到数据样本；
[0008]3)利用主成分分析法对数据样本进行降维处理以获得特征向量；
[0009]4)基于支持向量机模型建立步骤3)中相关数据的分类模型的标准矩阵型凸二次规划问题；
[0010]5)根据递归神经动力学理论，设计用于求解标准矩阵型凸二次规划问题的变参递归神经网络求解器；
[0011]6)使用步骤5)中所设计的求解器进行分类模型的求解以得到分类决策函数；
[0012]7)输出基于该分类决策函数的预测结果，即就诊人员是否患有COVID
‑
19。
[0013]优选的，所述步骤2)和步骤3)对肺部CT图像处理后，将处理后的COVID
‑
19数据进行重新备份。
[0014]优选的，所述步骤4)中的分类模型的标准矩阵型凸二次规划问题表示如下：
[0015][0016]其中，
E是单位矩阵。
[0017]优选的，所述步骤5)中所设计的变参递归神经网络求解器表示如下：
[0018][0019]其中，其中，
[0020]优选的，所述步骤6)中求解获得的分类决策函数表示如下：
[0021]g(x)＝sgn(ω
T
x+θ)
[0022]其中，ω为权重向量；θ为偏移量；g(x)∈{1，
‑
1}表示决策输出，1表示未患有COVID
‑
19，
‑
1表示患有COVID
‑
19。
[0023]与现有COVID
‑
19诊断技术相比，本专利技术提供的COVID
‑
19诊断方法具有如下有益效果：
[0024](1)本专利技术提供的一种基于CT图像的COVID
‑
19诊断方法，采用Xception对CT图像进行处理并仅提取倒数第三层数据，再利用主成分分析法对其进行降维处理，由此在图像预处理阶段将获取更为简单的数据样本。同时，本专利技术方法采用的基于神经动力学的变参递归神经网络具备快速收敛特性和并行计算能力，能够实现参数的更快速求解，在降低运行硬件成本的基础上保持较高的准确性，拥有相当突出的性能。
[0025](2)本专利技术提供的一种基于CT图像的COVID
‑
19诊断方法，通过集成学习建立COVID
‑
19分类诊断模型，辅助医生对就诊人员是否患有COVID
‑
19作出快速且准确的判断，以利于医生及时采取针对性的措施，这对COVID
‑
19的诊断与预防具有重要意义。
附图说明
[0026]图1为本专利技术一种基于CT图像的COVID
‑
19诊断方法的流程示意图；
[0027]图2为本专利技术Xception结构示意图；
[0028]图3为本专利技术一种基于CT图像的COVID
‑
19诊断装置模块示意图。
具体实施方式
[0029]为了更加清楚地说明本专利技术方案，下面将结合附图和实施例对本专利技术方案进行清楚地、完整地描述。应当理解，所述的实施例仅是本专利技术实施例中的一部分，而不是全部实施例。基于本专利技术中的实施例，本领域的技术人员在没有作出创造性劳动的前提下所获得的其他所有实施例，都应当属于本专利技术保护的范围。
[0030]实施例一
[0031]图1为本专利技术实施例一提供的一种基于CT图像的COVID
‑
19诊断方法的流程图，本实施例适用于辅助医生进行COVID
‑
19诊断的情况，该方法可以通过COVID
‑
19诊断装置来执行。如图1所示，该方法包括：
[0032]S1、拍摄就诊人员的肺部CT图像，筛选出用于COVID
‑
19诊断的关键图像片段，并将其输入到用于图像处理和数据分析的计算机设备中；
[0033]S2、利用基于深度分离卷积神经网络的Xception分类器对S1所述的肺部CT图像样本进行处理，并以其倒数第三层的输出作为相对应CT图像样本的数据样本。Xception结构如图2所示；
[0034]S3、利用主成分分析法对数据样本进行降维处理以获得特征向量，可以得到肺部CT图像对应的标准数据集M，所述标准数据集M表示如下：
[0035][0036]其中，x
i
∈R
n
×1，i＝1，2，
…
，m表示第i个数据样本的特征向量；y
i
∈{1，
‑
1}，i＝1，2，
…
，m表示对应数据样本的特征标签，示例性的，未患有COVID
‑
19可以表示为1，患有COVID
‑
19则可表示为
‑
1，本专利技术实施例对此不作限制；
[0037]S4、基于支持向量机模型建立S3中COVID<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT图像的COVID
‑
19诊断方法，其特征在于，包括下述步骤：1)将就诊人员的肺部CT图像输入到用于数据分析的计算机设备中；2)基于Xception将就诊人员的肺部CT图像数据化以得到数据样本；3)利用主成分分析法对数据样本进行降维处理以获得特征向量；4)基于支持向量机模型建立步骤3)中相关数据的分类模型的标准矩阵型凸二次规划问题；5)根据递归神经动力学理论，设计用于求解标准矩阵型凸二次规划问题的变参递归神经网络求解器；6)使用步骤5)中所设计的求解器进行分类模型的求解以得到分类决策函数；7)输出基于该分类决策函数的预测结果，即就诊人员是否患有COVID
‑
19。2.根据权利要求1所述的一种基于CT图像的COVID
‑
19诊断方法，其特征在于：所述步骤1)具体包括：1.1)拍摄就诊人员的肺部CT图像以获得图像样本；1.2)选择用于COVID
‑
19诊断的关键图像片段；1.3)将得到的图像片段输入至用于数据处理的计算机设备中。3.根据权利要求2所述的一种基于CT图像的COVID
‑
19诊断方法，其特征在于：所述步骤2)利用基于深度分离卷积神经网络的Xception分类器对输入至计算机设备的图像片段进行预处理，并以其倒数第三层的输出作为相对应CT图像样本的数据样本。4.根据权利要求2和权利要求3中任一项所述的一种基于CT图像的COVID
‑
19诊断方法，其特征在于：通过对所述的肺部CT图像进行预处理后，可以将肺部CT图像转换为标准数据集M，所述标准数据集M表示如下：其中，x
i
∈R
n
×1，i＝1，2，
…
，m表示第i个数据样本的特征向量；y
i
∈{1，
‑
1}，i＝1，2，
…
，m表示相对应的数据样本的特征标签，即：未患有COVID
‑
19为1，患有COVID
‑
19为
‑
1。5.根据权利要求4所述的一种基于CT图像的COVID
‑
19诊断方法，其特征在于：所述步骤4)基于支持向量机...

【专利技术属性】
技术研发人员：张智军，丁勇，罗亚梅，付钧钧，陈博钊，
申请(专利权)人：佛山市顺德致可智能科技有限公司，
类型：发明
国别省市：