一种非结核分枝杆菌肺病与肺结核CT影像分类方法技术

本发明专利技术公开了一种非结核分枝杆菌肺病与肺结核CT影像分类方法，主要包括以下步骤：通过编码器提取图像特征图并将图像特征图被划分为多个示例，每个示例表示图像一定区域内的特征信息；计算示例与分类任务的相关性权重，根据权重将示例聚合为包特征表示，以表达CT图像的特征；通过分类器将包特征表示预测为CT图像类别；根据相关性权重选出重要示例，并进行通过分类器进行评估，表示网络的学习内容与期望内容的关联度；构建损失函数，包含包分类损失和关联度损失，分别表示CT预测值与真实值的差异和模型学习内容与期望内容的差异。该方法能够实现对非结核分枝杆菌肺病与肺结核CT影像的二分类，优于现有方法的分类准确度。优于现有方法的分类准确度。优于现有方法的分类准确度。

【技术实现步骤摘要】
一种非结核分枝杆菌肺病与肺结核CT影像分类方法


[0001]本专利技术涉及计算机视觉、医学图像分析等
，以分类非结核分枝杆菌肺病与肺结核的CT影像为应用场景，具体为一种非结核分枝杆菌肺病与肺结核CT影像分类方法。

技术介绍

[0002]随着计算机算力的飞速提升和深度学习的广泛研究，图像分类技术在不断发展，在速度和准确度上都在不断飞跃。然而，这些图像分类方法主要应用于背景与前景区别明显的自然图像分类任务中。非结核分枝杆菌肺病与肺结核CT影像高度相似，且两者影像内均含有多种的影像学征象，如空洞、支气管扩张、实变、结节等，部分征象与人体正常组织高度相似(如胸膜增厚)，还有部分征象尺寸过小难以识别(如单发结节和钙化灶)。非结核分枝杆菌肺病与肺结核CT影像复杂的征象使目前主流的图像分类算法难以发挥其有效性能。
[0003]准确分类非结核分枝杆菌肺病与肺结核CT影像对于许多工作都有重要价值。鉴于多示例学习框架的发展，其将图像的类别视作由图像内多个示例共同决定的思想，适合处理图像内目标种类多，各目标共同决定图像类别的图像分类问题。多示例学习架构打破了传统监督学习图像类别与图像内目标一一对应的关系，能够有效建立图像类别与图像内目标一对多的关系，适合非结核分枝杆菌肺病与肺结核CT影像征象多且复杂的情况。但目前多示例学习方法主要应用2D病理图像的分类任务中，没有算法解决3DCT图像且征象复杂的任务。
[0004]本专利技术针对非结核分枝杆菌肺病患者与肺结核患者的CT影像分类问题，提出一种非结核分枝杆菌肺病与肺结核CT影像分类方法，实现对非结核分枝杆菌肺病与肺结核CT影像分类的准确分类。
[0005]参考文献
[0006][1]Ratnatunga C N,Lutzky V P,Kupz A,et al.The rise of non
‑
tuberculosis mycobacterial lung disease[J].Frontiers in immunology,2020,11:303.
[0007][2]Nasiri M J,Dabiri H,Darban
‑
Sarokhalil D,et al.Prevalence of non
‑
tuberculosis mycobacterial infections among tuberculosis suspects in Iran:systematic review and meta
‑
analysis[J].PloS one,2015,10(6):e0129073.
[0008][3]Chu H Q,Li B,Zhao L,et al.Chest imaging comparison between non
‑
tuberculous and tuberculosis mycobacteria in sputum acid fast bacilli smear
‑
positive patients[J].Eur Rev Med Pharmacol Sci,2015,19(13):2429
‑
2439..
[0009][4]吴晓光,高孟秋,马丽萍.非结核分枝杆菌病50例临床分析[J].中国防痨杂志,2009,31(8):481.
[0010][5]赖燕芬,吴东玲,杨林.非结核分枝杆菌肺病50例误诊分析[J].右江民族医学院学报,2014,36(3):374
–
375.

技术实现思路

[0011]为了解决现有技术中非结核分支杆菌肺病与肺结核CT影像分类的问题，本专利技术提供一种非结核分枝杆菌肺病与肺结核CT影像分类方法，来实现非结核分枝杆菌肺病与肺结核的二分类问题。
[0012]本专利技术的技术方案:
[0013]一种非结核分枝杆菌肺病与肺结核CT影像分类方法，包括如下步骤：
[0014]步骤S1，通过神经网络对非结核分枝杆菌肺病与肺结核CT图像进行特征提取，然后将提取后特征图沿长、宽、高划分的每一特征像素视为示例，每个示例表示图像一定区域内的特征信息。
[0015]步骤S2，计算步骤S1)得到的各个示例与分类任务的相关性权重，并通过相关性权重加权聚合为包特征表示，用以表示CT图像的特征。
[0016]步骤S3，通过分类器将步骤S2)得到的包特征表示预测为CT图像的类别。
[0017]步骤S4，根据步骤S2)得到示例相关性权重选出权重值高的示例，并进行通过分类器进行评估，表示网络的学习内容与期望内容的关联度。
[0018]步骤S5，构建损失函数，损失函数包含包分类损失和关联度损失，包分类损失表示CT预测值与真实值的差异，关联度损失表示模型学习内容与期望内容的差异。
[0019]其中步骤S1)的具体步骤如下:
[0020]步骤S11,训练集中的数据依次流经网络中每一个卷积模块，输入图像先进入改进的ResNet编码器提取特征；
[0021]步骤S12，将步骤S11)的特征送入局部
‑
全局特征提取模块LGE以提取特征图；
[0022]步骤S13,将步骤S12)所得特征图，沿长、宽、高的每一个特征像素划分为示例。
[0023]所述改进的ResNet编码器由ResNet18去掉低四阶段，并将前三阶段基本块堆叠层数调整成3、3、3层。
[0024]步骤S2)使用了基于注意力机制的特征聚合模块FA。
[0025]步骤S4)用于评估网络的学习内容与期望内容的关联度的分类器是由病灶标注预训练并固定参数的。
[0026]与现有技术相比，本专利技术具有的优点：
[0027]与现有技术相比，本专利技术提出来的非结核分枝杆菌肺病与肺结核CT影像分类方法具有以下优点：
[0028]1)采用了卷积和自注意力机制并联结构的编码器，有效建模图像内局部、全局尺度的信息。
[0029]2)设计了辅助预测任务以及辅助预测损失函数，实现了利用少量病灶标注辅助模型训练，有效提高了模型对病灶的辨识力。
[0030]3)实验比较结果验证了本专利技术的有效性。通过和目前流行的分类方法比较，验证了提出方法对于非结核分枝杆菌肺病与肺结核预测任务的有效性。
附图说明
[0031]图1为本专利技术一种非结核分枝杆菌肺病与肺结核CT影像分类方法模型结构图；
[0032]图2为本专利技术设计的局部
‑
全局特征提取模块LGE模块结构图；
[0033]图3为本专利技术设计的特征聚合模块FA模块结构图；
[0034]图4为本专利技术改进的ResNet编码器结构图。
具体实施方式
[0035]如图1所示，一种非结核分枝杆菌肺病与肺结核CT影像分类方法，包括如下步骤：
[0036](一)示例特征提取
[0037]CT图像由神经网络进行特征提取，并转换为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非结核分枝杆菌肺病与肺结核CT影像分类方法，其特征在于，包括以下步骤：步骤S1，通过神经网络对非结核分枝杆菌肺病与肺结核CT图像进行特征提取，然后将提取后特征图沿长、宽、高划分的每一特征像素视为示例，每个示例表示图像特定区域内的特征信息；步骤S2，计算步骤S1)得到的各个示例与分类任务的相关性权重，并通过相关性权重加权聚合为包特征表示，用以表示CT图像的特征；步骤S3，通过分类器将步骤S2)得到的包特征表示预测为CT图像的类别；步骤S4，根据步骤S2)得到示例相关性权重选出权重值高的示例，并通过分类器进行评估，表示网络的学习内容与期望内容的关联度；步骤S5，构建损失函数，损失函数包含包分类损失和关联度损失，包分类损失表示CT预测值与真实值的差异，关联度损失表示模型学习内容与期望内容的差异。2.根据权利要求1所述的一种非结核分枝杆菌肺病与肺结核CT影像分类方法，其特征在于，步骤S1)的具体步骤如下:步...

【专利技术属性】
技术研发人员：万亮，马昊东，邢志珩，田云彤，
申请(专利权)人：天津大学，
类型：发明
国别省市：