【技术实现步骤摘要】
一种耐药性肺结核类别的筛查方法、系统、设备及介质
[0001]本专利技术属于人工智能
,涉及一种肺结核种类(类别)的筛查(即其实质就是一个分类任务,通过对胸部
CT
图像进行识别
、
分析后,得出该图像中的肺结核的类别),尤其涉及一种耐药性肺结核类别的筛查方法
、
系统
、
设备及介质
。
技术介绍
[0002]耐多药结核病是由至少对异烟肼和利福平这两个抗结核治疗药物无反应的结核分支杆菌引起的结核病
。
耐多药结核病对公共卫生和健康安全造成了威胁,
2020
年只有大约三分之一的耐药结核病患者接受了治疗
。
要在全球大幅提高治疗覆盖率,努力改善对耐药结核病的检测和诊断
。
在耐药性肺结核的检测
、
筛查过程中,对耐药性肺结核类别的筛查就显得尤为重要
。
[0003]现有技术中,已有通过血清代谢标志物及其试剂盒进行耐药性肺结核的检测
。
比如,申请号为
202210321968.9
的专利技术专利申请就公开了一种用于检测耐药性肺结核的血清代谢标志物及其试剂盒,其血清代谢标志物共
17
种,经验证后所述
17
种代谢物的水平变化确实与耐药性肺结核相关
。
基于上述
17
种代谢标志物构建的耐药性结核检测模型具有较高的灵敏性和特异性
。
本专 ...
【技术保护点】
【技术特征摘要】
1.
一种耐药性肺结核类别的筛查方法,其特征在于,包括以下步骤:步骤
S1
,获取样本数据获取胸部
CT
图像样本,对部分胸部
CT
图像样本进行标注并形成标签数据集,标签包括耐药性标签
、
病灶形态标签;步骤
S2
,构建
CNN
网络模型构建
CNN
网络模型,
CNN
网络模型包括卷积层
、
最大池化层
、
批归一化层
、
四个基础残差块
、
全局平均池化层以及全连接层,通过卷积层
、
最大池化层
、
批归一化层
、
四个基础残差块对肺部
CT
图像中的肺结核异常区域进行特征提取,再通过全局平均池化层将提取到的高层特征转化为一位特征向量,最后由全连接层计算得到每个标签的预测概率;步骤
S3
,训练
CNN
网络模型采用半监督学习方法
、
多标签依赖方法对步骤
S2
构建的
CNN
网络模型进行训练,得到成熟的
CNN
网络模型;步骤
S4
,实时筛查获取实时的胸部
CT
图像,并输入成熟的
CNN
网络模型,
CNN
网络模型输出耐药性肺结核类别的筛查结果
。2.
如权利要求1所述的一种耐药性肺结核类别的筛查方法,其特征在于:步骤
S3
中,在采用半监督学习方法进行训练时,具体训练方法为:步骤
S3
‑1,计算样本信息含量先采用标签数据集中的样本对
CNN
网络模型进行预训练,再采用预训练后的
CNN
网络模型对胸部
CT
图像样本进行特征提取;在锚定数据集的特征空间对每个未标注的胸部
CT
图像样本进行
K
邻近算法处理,计算目标样本与
K
个邻居余弦距离的均值作为密度得分,并根据密度得分分别计算每个未标注的胸部
CT
图像样本的信息含量;其中,锚定数据集为高信息数据集,初始为标签数据集;步骤
S3
‑2,信息混合对于高信息含量的未标注的胸部
CT
图像样本,通过密度加权算法,为每个未标注的胸部
CT
图像样本生成伪标签;步骤
S3
‑3,生成负伪标签对于低信息含量的未标注的胸部
CT
图像样本,针对弱增强
、
强增强两个版本的图像自适应计算并生成负伪标签;步骤
S3
‑4,更新锚定数据集将生成的伪标签加入锚定数据集,并更新锚定数据集;将生成的伪标签
、
负伪标签加入标签数据集,并更新标签数据集;步骤
S3
‑5,重复上述步骤,直至
CNN
网络模型收敛
。3.
如权利要求1所述的一种耐药性肺结核类别的筛查方法,其特征在于:步骤
S3
‑1中,在计算信息含量时,公式为:
其中,表示
K
邻近算法设置的近邻数,表示向量的转置,表示伪标签数据,表示锚定数据,表示锚定数据标签,表示锚定数据集,表示伪标记样本在锚定数据集的
K
近邻集合,表示
CNN
网络模型输出的样本的
F
维特征向量,表示
CNN
网络模型输出的锚定数据的
F
维特征向量,表示向量的模
。4.
如权利要求1所述的一种耐药性肺结核类别的筛查方法,其特征在于:步骤
S3
‑2中,在高信息含量的未标注的胸部
CT
图像样本生成伪标...
【专利技术属性】
技术研发人员:王成弟,徐修远,梁书凡,周泠宇,王文洋,杨哲,
申请(专利权)人:四川大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。