一种基于多特征融合及对比学习的高原肺水肿预测方法技术

本发明专利技术公开了一种高原肺水肿预测诊断方法，包括以下步骤：S1、基于Dense

【技术实现步骤摘要】
一种基于多特征融合及对比学习的高原肺水肿预测方法


[0001]本专利技术涉及一种医疗技术，尤其涉及一种基于多特征融合和对比学习的高原肺水肿预测方法。

技术介绍

[0002]在高海拔地区，由于氧气稀薄，身体所受的氧气供应不足，容易引发高原病，其中包括高原肺水肿。高原肺水肿是一种严重的肺部疾病，其发病率和死亡率较高。传统的高原肺水肿的诊断方法通常依赖于人工观察和分析肺部CT影像。但是，这种方法存在操作复杂、精度不高等问题。近年来，随着深度学习技术的发展，利用卷积神经网络进行肺部影像的自动分析和诊断逐渐成为一种新的研究方向。
[0003]然而，利用传统的卷积神经网络进行肺部影像的自动分析和预测存在一些限制，例如特征提取的局限性、不同病例之间的差异等。因此，研究人员提出了一种基于多特征融合和对比学习的高原肺水肿预测诊断方法。本方法采用Dense
‑
U
‑
Net模型进行全自动的病灶分割，并构建两分支特征学习网络来学习病灶和全肺特征。在训练时，随机选择两个样本构建样本对，并使用共享权重的网络对样本对中的两个样本进行全肺特征提取和病灶特征提取，然后通过对比学习的方式对两个样本的特征进行距离度量。通过结合特征距离和交叉熵损失函数，本方法可以使同一类别的样本的深度学习特征相似，不同类别的样本的深度学习特征差异大，从而优化特征，提高分类精度。相比于传统的卷积神经网络方法，本方法具有更好的诊断精度和更高的自动化程度。

技术实现思路

[0004]本专利技术公开了一种基于多特征融合和对比学习的高原肺水肿预测诊断方法。该方法使用卷积神经网络模型对高原肺水肿CT影像进行全自动分析和分类，可以实现对高原肺水肿的预测。
[0005]具体地，该方法包括以下步骤：
[0006]S1、基于Dense
‑
U
‑
Net的全自动病灶分割算法，用于自动分割出高原肺水肿CT影像中的病灶区域；
[0007]S2、构建两分支特征学习网络，分别用于学习病灶和全肺的特征，通过多特征融合的方式，提高分类准确率；
[0008]S3、样本对构建，采用随机选取两个样本构建成样本对的方式，用于训练网络进行特征学习和对比学习；
[0009]S4、对比特征学习，通过特征对比学习的方式，对样本对中的两个样本进行全肺特征提取和病灶特征提取，以特征距离的方式对两个样本进行距离度量；若两个样本属于同样的标签，则两个样本的全肺特征和病灶特征分别距离较近；若两个样本属于不同的标签，则两个样本的肺特征和病灶特征分别距离较远；
[0010]S5、高原肺水肿预测
[0011]在训练好模型后，将步骤S4中的孪生网络中的一支网络取出，实现对未知的高原肺水肿CT影像的预测。
[0012]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0013]图1为基于Dense
‑
U
‑
Net的全自动肺分割算法的示意图；
[0014]图2为多特征融合及对比特征学习的流程图。
具体实施方式
[0015]以下将结合附图对本专利技术作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围并不限于本实施例。
[0016]本专利技术包括以下步骤：
[0017]S1、基于Dense
‑
U
‑
Net的全自动病灶分割算法。使用Dense
‑
U
‑
Net算法对高原肺水肿CT影像进行病灶分割，将影像中的病灶区域自动分割出来。
[0018]S2、构建两分支特征学习网络，学习病灶及全肺特征，设计特征融合算法。将Dense
‑
U
‑
Net输出的全肺特征和病灶特征分别输入两个分支的特征学习网络，学习两个分支的特征表示，特征融合时，为了去除冗余信息和增强重点部分，我们使用注意力机制来对各个特征的重要性进行加权。
[0019]设全肺特征为病灶特征为则两个特征经过注意力机制后的加权结果可以表示为：
[0020]f
′1＝f1·
softmax(Conv(ReLU(BN(Conv(f1)))))
[0021]f
′2＝f2·
softmax(Conv(ReLU(BN(Conv(f2)))))
[0022]其中，Conv表示卷积操作，BN表示批归一化操作，ReLU表示激活函数，softmax表示对注意力系数进行归一化的softmax函数。注意力系数即softmax(Conv(ReLU(BN(Conv(f)))))，其中f可以是f1或f2。
[0023]将加权后的特征进行拼接，得到融合后的特征f
fuse
：
[0024][0025]其中，表示张量的拼接操作，α表示全肺特征的权重，1
‑
α表示病灶特征的权重。h，w，c分别表示拼接后的特征图的高、宽和通道数，可以通过调整拼接比例来控制特征融合后的重点部分。
[0026]S3、样本对构建。在训练过程中，随机选取两个样本构建成样本对，以便进行特征对比学习。
[0027]S4、对比特征学习。使用共享权重的网络对样本对中的两个样本进行全肺特征提取及病灶特征提取，并通过特征对比学习的方式，对两个样本的特征进行距离度量，若两个样本属于同样的标签，则两个样本的全肺特征和病灶特征分别距离较近；若两个样本属于不同的标签，则两个样本的肺特征和病灶特征分别距离较远。通过对比特征损失函数来实现模型的优化，对比特征学习的损失函数公式可以表示为：
[0028][0029]其中，Y是两个样本的类别是否相同的二元变量，w是权重参数，A和B是两个样本的特征向量，D是距离度量函数，m是margin参数。
[0030]S5、高原肺水肿预测。通过特征融合算法，可以去除冗余特征筛选重要特征，提高特征和最终任务的相关性。通过结合特征距离与交叉熵损失函数，可以使得同一类别的样本其深度学习特征相似，不同类别的样本其深度学习特征差异大，进而对特征进行优化，提升分类精度。通过预测每个样本的预测，可以对高原肺水肿进行预测诊断。
[0031]在训练好模型后，将步骤S4中的孪生网络中的一支网络取出，作为高原肺水肿预测模型。在对未知的高原肺水肿CT影像进行预测时，将该CT影像的肺部影像及病灶影像(步骤S1获得)输入至该模型即可得到该样本的预测结果。
[0032]最后应说明的是：以上实施例仅用以说明本专利技术的技术方案而非对其进行限制，尽管参照较佳实施例对本专利技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本专利技术的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本专利技术技术方案的精神和范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合及对比学习的高原肺水肿预测方法，其特征在于：包括以下步骤：S1、基于Dense
‑
U
‑
Net的全自动病灶分割网络构建：基于DenseNet的U形全卷积网络(Dense
‑
U
‑
Net)，通过下采样提取特征，上采样生成分割结果，从CT影像中全自动地分割出病灶区域。S2、构建特征学习网络：使用三维的DenseNet121作为特征提取网络，进行肺部CT影像及病灶影像的特征进行提取；S3、样本对构建：在训练集中，每次随机抽取两个样本，构建样本对，...

【专利技术属性】
技术研发人员：高全胜，
申请(专利权)人：军事科学院军事医学研究院环境医学与作业医学研究所，
类型：发明
国别省市：