一种基于深度学习的新冠肺炎智能诊断系统技术方案

本发明专利技术涉及一种基于深度学习的新冠肺炎智能诊断系统，属于医学图像处理领域，包括控制单元、智能检测与诊断单元、存储单元和三维显示单元，控制单元用于输入和修改系统数据；智能检测与诊断单元用于对新冠肺炎病例进行预测；智能检测与诊断单元包括数据预处理模块、病灶区检测模块、去假阳性模块、病例预测模块。本发明专利技术采用结合了检测+去假阳性+预测三部分相结合的深度学习网络诊断系统输出诊断结果，解决了病灶过小不易检测、单个局部病灶信息过少以及误诊率过高等问题，解决了医学样本数量过小的问题，大大提升了诊断效率，有助于提高患者的治疗效率以及积累临床资料。

【技术实现步骤摘要】
一种基于深度学习的新冠肺炎智能诊断系统
本专利技术属于医学图像处理领域，涉及一种基于深度学习的新冠肺炎智能诊断系统。
技术介绍
全球性质的新冠肺炎(COVID-19)传染病，因其传染性强、致病率高很快引起了医学专家们的广泛关注，而对患者准确地诊断有助于病情控制与恢复。目前检测新冠肺炎的方法主要有核酸检测与CT检测两种，但由于核酸检测存在试剂短缺、假阴性误诊率相对较高的问题，通常将CT检测作为主要诊断依据。而通常一个病例的CT包含200-500张断层扫描图像，传统的医生阅片方式往往费时费力，且有些病灶体积微小肉眼不易分辨从而存在漏诊、误诊的情况。因此计算机辅助检测系统应运而生，通过基于深度学习的模型对患者的CT进行检测与预判，能有效提高医生的阅片速度以及检测准确率。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种包含了检测+去假阳性+预测三部分的深度学习的智能新冠肺炎检测系统，进一步提高新冠肺炎准确率与效率。为达到上述目的，本专利技术提供如下技术方案：一种基于深度学习的新冠肺炎智能诊断系统，包括控制单元、智能检测与诊断单元、存储单元和三维显示单元，所述控制单元用于输入和设定系统模式；所述智能检测与诊断单元用于对新冠肺炎病例进行预测；所述存储单元用于存储系统数据；所述三维显示单元用于显示预测到的病例数据以及系统设置数据；所述智能检测与诊断单元包括数据预处理模块、病灶区检测模块、去假阳性模块、病例预测模块；所述数据预处理模块用于对CT图像进行预处理，得到肺实质图像，并发送给病灶区检测模块；所述病灶区检测模块用于通过引入注意力机制及位置参数的残差网络对肺实质图像进行特征提取，并通过分类网络输出候选区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置；所述去假阳性模块用于结合预测的病灶区域位置获取不同大小的病灶块，通过三维残差网络筛掉误判的病灶区；所述病例预测模块用于出概率较高的候选区域及其概率通过优化法得到各类别的概率，并结合各类概率得出最终的病例预测。进一步，所述数据预处理模块的运行步骤包括：首先将CT图像灰度值转换成CT值，具体为：从DICOM文件中读取rescaleslope值和rescaleintercept值，再通过CT值与像素之间的转换公式HU＝pixel_val*slope+intercept，得到对应的CT值，单位为HU；然后进行像素重采样，将图像中的像素重采样到相同大小的体积；最后通过阈值法提取Hu值在[-500,300]之间的肺部组织区域，接着对其进行膨胀、腐蚀、填充操作，获得三维肺实质图像，发送给病灶区检测模块。进一步，病灶区检测模块运行步骤包括：通过引入注意力机制及位置参数的残差网络ARN，以及金字塔网络结构的检测网络得到三维肺实质图像的对应特征图；通过区域生成网络得到一系列的候选区域以及对应的置信度；再通过候选层选出置信度高的候选区域作为下一步输入；最后固定候选区域的特征图大小并通过感兴趣区域池化层得到固定大小的特征图输入；通过分类网络输出候选区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置；对主干网络使用改良后的迁移学习解决小样本数据集的训练问题。更进一步，所述引入注意力机制及位置参数的残差网络ARN包含两个分支：分支1为普通的卷积网络以获得特征图M(x)；分支2为软性掩膜分支，通过自下而上、自下而上的方式，先逐层提取高层特征并增大模型的感受野，同时对高层特征中的注意力区域进行激活，接着通过相同数量的上采样将特征图尺寸放大到原始输入尺寸，使注意力区域对应到每一个像素点上，得到注意力图F(x)；接着把两个分支的输出结合起来H(x)＝(1+M(x))*F(x)；注意力图F(x)中每一个像素点值相当于对于原始特征图上每一个像素点值的权重；所述引入注意力机制及位置参数的残差网络ARN的主干网络结构包括：取ARN网络三个层级的特征图，并对其操作后作为下一步骤的输入，分别为ARN输出的最高层级特征图3；特征图3上采样后与次高级特征图2相加后得到的特征图2；特征图2上采样后与低层级特征图1相加后得到的特征图1。进一步，所述区域生成网络对于特征图上的每一个点都生成对应原图上的9个锚点，包括三种面积，每种面积又对应三种比例；再对锚点分类预测与boundingbox回归：分类预测是由softmax输出置信度，b_box回归是对正锚点结合标注区域完成对候选区框的进一步修正，输出修正后的检测框信息；建议层先将对正锚点进行非极大值抑制NMS，并将得分较高的正锚点与对应的修正后的检测框信息综合起来，计算出精确的候选区，作为下一步骤的输入；采用池化层输出统一大小的候选区域。进一步，引入一个参数：距离胸膜边缘的相对距离d’加入到分类分支的最后一层全连接层中，作为判断新冠肺炎的检测依据；具体算法为：首先取一个能够包括肺部的最小立方体，计算出其对角线长度x，接着取候选区中心点到胸膜的最短距离d，d’＝d/x，将参数d’作为位置注意力机制加入到第二个全连接层中。进一步，分类网络的结构如下：第一层是全连接层，第二层是relu激活层，第三层是全连接层，第四层是一个relu激活层；b_box回归框分支：全连接层输出修正后的预测边框信息；分类分支：第一层是全连接层，接着softmax层输出分类概率结果。进一步，所述对主干网络使用改良后的迁移学习解决小样本数据集的训练问题，具体包括：采用在肺部CT数据集LUNA16以及Tianchi上预训练好的卷积神经网络再在医学图像数据集上进行微调的方法来解决小样本数据集的训练问题；针对普通肺部CT数据集图像与医学图像的部分差异性，首先优化改进预训练模型的全连接层结构，对预训练模型的全连接层进行改良，其中包含4层具有8个神经元的神经网络，并加入Dropout层以及L2正则化防止过拟合；优化后的模型训练步骤包括：冻结预训练模型的卷积层，支队重新构建的全连接层使用Adam进行迁移训练，保证模型在微调之前将全连接层的参数快速学习到最优权值而不会破坏预训练模型卷积层所学习到的特征；对模型进行微调训练，使用随机梯度下降SGD进行微调使其能学习到新冠肺炎肺部图像与普通肺部疾病图像的差异特征；由于微调层数的选择会影响模型分类性能，依次微调预训练模型的后两个模块。进一步，所述去假阳性模块通过预测得到的病灶区位置信息，取其三维病灶区域，设置24*24、46*36以及48*48三种大小的三维病灶区域，以保证检测到不同大小结节；将病灶区域作为输入，利用三维残差网络进行假阳性筛查；手动调整病灶区检测模块的检测阈值以及去假阳性模块的检测阈值，满足对病例诊断结果的不同要求。进一步，所述病例预测模块采用去噪贝叶斯模型方法得到单个病例患病概率Px(x∈i，j)i、j分别代表患新冠肺炎与普通肺炎的类别；n代表第n个候选本文档来自技高网...

【技术保护点】
1.一种基于深度学习的新冠肺炎智能诊断系统，其特征在于：包括控制单元、智能检测与诊断单元、存储单元和三维显示单元，所述控制单元用于输入和设定系统模式；所述智能检测与诊断单元用于对新冠肺炎病例进行预测；所述存储单元用于存储系统数据；所述三维显示单元用于显示预测到的病例数据以及系统设置数据；/n所述智能检测与诊断单元包括数据预处理模块、病灶区检测模块、去假阳性模块、病例预测模块；/n所述数据预处理模块用于对CT图像进行预处理，得到肺实质图像，并发送给病灶区检测模块；/n所述病灶区检测模块用于通过引入注意力机制及位置参数的残差网络对肺实质图像进行特征提取，并通过分类网络输出候选区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置；/n所述去假阳性模块用于结合预测的病灶区域位置获取不同大小的病灶块，通过三维残差网络筛掉误判的病灶区；/n所述病例预测模块用于出概率较高的候选区域及其概率通过优化法得到各类别的概率，并结合各类概率得出最终的病例预测。/n

【技术特征摘要】
1.一种基于深度学习的新冠肺炎智能诊断系统，其特征在于：包括控制单元、智能检测与诊断单元、存储单元和三维显示单元，所述控制单元用于输入和设定系统模式；所述智能检测与诊断单元用于对新冠肺炎病例进行预测；所述存储单元用于存储系统数据；所述三维显示单元用于显示预测到的病例数据以及系统设置数据；
所述智能检测与诊断单元包括数据预处理模块、病灶区检测模块、去假阳性模块、病例预测模块；
所述数据预处理模块用于对CT图像进行预处理，得到肺实质图像，并发送给病灶区检测模块；
所述病灶区检测模块用于通过引入注意力机制及位置参数的残差网络对肺实质图像进行特征提取，并通过分类网络输出候选区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置；
所述去假阳性模块用于结合预测的病灶区域位置获取不同大小的病灶块，通过三维残差网络筛掉误判的病灶区；
所述病例预测模块用于出概率较高的候选区域及其概率通过优化法得到各类别的概率，并结合各类概率得出最终的病例预测。


2.根据权利要求1所述的基于深度学习的新冠肺炎智能检测系统，其特征在于：所述数据预处理模块的运行步骤包括：
首先将CT图像灰度值转换成CT值，具体为：从DICOM文件中读取rescaleslope值和rescaleintercept值，再通过CT值与像素之间的转换公式HU＝pixel_val*slope+intercept，得到对应的CT值，单位为HU；
然后进行像素重采样，将图像中的像素重采样到相同大小的体积；
最后通过阈值法提取Hu值在[-500,300]之间的肺部组织区域，接着对其进行膨胀、腐蚀、填充操作，获得三维肺实质图像，发送给病灶区检测模块。


3.根据权利要求1所述的基于深度学习的新冠肺炎智能诊断系统，其特征在于：所述病灶区检测模块运行步骤包括：
通过引入注意力机制及位置参数的残差网络ARN，以及金字塔网络结构的检测网络得到三维肺实质图像的对应特征图；
通过区域生成网络得到一系列的候选区域以及对应的置信度；再通过候选层选出置信度高的候选区域作为下一步输入；最后固定候选区域的特征图大小并通过感兴趣区域池化层得到固定大小的特征图输入；
通过分类网络输出候选区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置；
对主干网络使用改良后的迁移学习解决小样本数据集的训练问题。


4.根据权利要求3所述的基于深度学习的新冠肺炎智能诊断系统，其特征在于：所述引入注意力机制及位置参数的残差网络ARN包含两个分支：分支1为普通的卷积网络以获得特征图M(x)；分支2为软性掩膜分支，通过自下而上、自下而上的方式，先逐层提取高层特征并增大模型的感受野，同时对高层特征中的注意力区域进行激活，接着通过相同数量的上采样将特征图尺寸放大到原始输入尺寸，使注意力区域对应到每一个像素点上，得到注意力图F(x)；接着把两个分支的输出结合起来H(x)＝(1+M(x))*F(x)；注意力图F(x)中每一个像素点值相当于对于原始特征图上每一个像素点值的权重；
所述引入注意力机制及位置参数的残差网络ARN的主干网络结构包括：
取ARN网络三个层级的特征图，并对其操作后作为下一步骤的输入，分别为ARN输出的最高层级特征图3；特征图3上采样后与次高级特征图2相加后得到的特征图2；特征图2上采样后与低层级特征图1相加后得到的特征图1。


5.根据权利要求3所述的基于深度学习的新冠肺炎智能检测系统，其特征在于：所述区域生成网络对于特征图上的每一个点都生成对应原图上的9个锚点，包括三种面积，每种面积又对应三种比例；再对锚点分类预测与boundingbox回归：分类预测是由softmax输出置信度，b_box回归是对正锚点结合标注区域完成对候选区框的进一步修正，输出修正后的检测框信息；建议层先将对正锚点进行非极大值抑制NMS，并将得分较高...

【专利技术属性】
技术研发人员：蔡林沁，代宇涵，黄宇婷，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50