一种耐药性肺结核类别的筛查方法技术

本发明专利技术公开了一种耐药性肺结核类别的筛查方法

【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
。
本专利技术还提供一种耐药性肺结核检测试剂盒，包括上述的
17
种肺结核病人血清中的代谢物的检测试剂，所述检测试剂用于对所述
17
种肺结核病人血清中的代谢物进行定量检测
。
本专利技术的标志物以及试剂盒能够帮助医生准确地进行耐药性肺结核的诊断，对于耐药性肺结核的诊断和治疗具有重要意义
。
[0004]除了采用生物技术检测耐药性肺结核以外，近年来，有效且经济的耐药性肺结核早期筛查方法在被广泛进行研究，已有的实验表明部分临床数据和放射学征象在耐药性结核和敏感性结核方面存在差异，可以用于区分耐性结核和敏感性结核
。
然而，如何利用已有的临床信息和影像数据准确检测耐药性肺结核仍然是一个悬而未决的问题
。
目前典型的耐药性肺结核筛查方法基于三个阶段：
(1)
完成数据收集和与处理，主要是对肺结核的病灶进行标注，标注信息一般包括病灶的位置和耐药性质；（2）选择合适的特征选择算法，包括主成分分析法，遗传算法，支持向量机算法，神经网络算法等，在为每个选择的特征选择合适的模型后，将其分别进行应用；（3）使用准备好的数据集训练对应的分类算法，并根据最后的肺结核耐药性预测结果，调整对应的参数，完善其耐药性预测的准确率
。
[0005]基于胸部
CT
图像的耐药性肺结核筛查任务首先对
CT
图像中的肺结核病灶赋予一个二分类或多分类的标签，以表示该病灶是否具备耐药属性，下一步的方法可以归为基于传统机器学习的方法和基于深度学习的方法两类
。
[0006]基于机器学习的方法集中于提取肺结核的影像组学特征，通常需要人为选择并提取一组手工特征，随后将这些特征传入支持向量机
、
逻辑回归
、
多层感知机
、K
‑
最近邻分类器等经典机器学习算法的分类器中，最终得到耐药性肺结核的分类结果
。Jaeger
等人使用不同的机器学习方法利用形状和纹理特征为为胸部
X
光片中的计算机辅助结核病筛查提供了结果，该方法包括对胸部
X
光片进行肺分割
、
基于颜色
、
形状和纹理和基于边缘方向的两
组特征计算和分类器分类处理，准确率为
60%。Ali
等人应用随机森林
、
支持向量机
、
选择算子等机器学习算法识别和诊断耐多药结核，这一方法的结果表明了结核患者吸烟
、
抑郁
、
既往结合病史
、
治疗不当与患上耐多药结核密切相关
。
同时，基于模型的准确性
、
敏感性和特异性，
SVM
和随机森林被建议用于耐药性结核筛查
。Yang
等人使用
TBPortals
数据集，并从中筛选了3个临床特征和
26
个放射学特征
。
然后对所选特征进行了
Pearson
卡方检验，分析所选临床和影像学特征的意义，最后训练了一个
SVM
来区分耐药性结核和药物敏感性结核
。
但传统的机器学习方法存在非常明显且严重的局限性，手工特征存在人为选择提取的局限性无法详尽地表达肺结核特征，导致分类器最后的分类结果不够准确
。
[0007]基于深度学习的方法是一种端到端的特征提取方法，有着十分强大的非线性能力，可以直接从输入图像中提取特征并处理复杂的预测任务，是目前医学图像分类任务上最先进的方法
。Gao
等人设计了一个基于迁移学习框架的
VGG
‑
16
网络模型来对
CT
图像进行耐药型结核筛查
。
针对三维
CT
图像，该方法实施了切片抽样，从每例
CT
中抽取9张切片，将切片分别传输到在
ImageNet
数据集上预训练过的模型中进行训练，最后对每张切片的结果进行投票得到每例
CT
图像的最终分类结果
。Gao
和
Qian
提出了一种基于二维补丁的深度卷积神经网络与支持向量机分类器相结合的方法，以更全自动的方式预测耐多药结核
。Kazemzadeh
等人提出了基于基于大规模胸片预训练
、
注意力机制和半监督学习的深度学习系统，并对
10
个国家的胸部
X
光片进行了训练与测试
。
[0008]由于肺结核形态学特征复杂，耐药性判断困难，现有研究提出的所有方法均不能有较好的检测效果
。
在现有的耐药性肺结核检测方法中，要么是基于传统的机器学习方法，如支持向量机，这类方法不仅设计起来十分繁琐，而且所提取的特征的有效性也难以保证
。
基于神经网络网络的方法，可以使用神经网络自动地从各种风险指标中提取本质特征，这些方法可以有效利用肺结核病灶的影像学特征，包括大小
、
纹理和方向等因素
。
但是由于实际应用中需要十分庞大的数据量，同时肺结核数据存在类别不平衡问题，导致检测准确率不高
。
过往的方法均将胸部
CT<本文档来自技高网...

【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：