一种基于智能合约和自注意力的制造技术

本发明专利技术公开了一种基于合约共享和自注意力的

【技术实现步骤摘要】
一种基于智能合约和自注意力的COVID
‑
19病灶预测系统


[0001]本专利技术涉及智能合约在云存储和图像处理领域的应用，其中包括云存储和图像处理中的图像分割与目标检测技术，具体是一种基于智能合约和自注意力的
COVID
‑
19
病灶预测系统
。

技术介绍

[0002]新型冠状病毒
(COVID
‑
19)
具有潜伏期长
、
传播途径多样
、
感染力强，并且已出现多种变异病毒，及时筛查疑似病例
、
确诊可疑病例，成为至关重要的任务
。
在这方面，肺部
CT(Computed Tomography)
图像是
COVID
‑
19
筛查的重要依据之一
。
然而，在临床实践中，肺部
CT
图像存在一定的局限性：
[0003]首先，虽然
CT
图像有助于早期筛查疑似病例，但
COVID
‑
19
与其他病毒性肺炎
、
机化性肺炎及嗜酸性肺炎在影像学表现上存在相似性，容易造成
"
异病同影
"
的情况，仅凭影像科医生的肉眼观察进行鉴别，容易导致漏诊或误诊
。
[0004]其次，
COVID
‑
19
病程发展快，患者需要接受多次胸部
CT
检查以监测病情发展和评估治疗效果，仅凭医生的肉眼观察很难快速对比并识别出是否产生病灶变化
。
[0005]此外，基于数据驱动的人工智能
(AI)
方法在医学影像领域取得了突破
。
但是在复杂
、
开放的真实场景中进行临床验证时，仍存在图像质量低
、
样本有限
、
数据重复
、"
金标准
"
诊断不确定性以及数据集来源偏差等问题，这些问题限制了
AI
模型在实际临床应用中的应用
。

技术实现思路

[0006]基于上述想法，本专利技术提出一种基于智能合约和自注意力的
COVID
‑
19
病灶预测系统，此系统实现对早期
COVID
‑
19
的精准筛查，并在此基础上利用数据平台和完善医疗信息数据库共享系统，利用系统平台的安全性使医疗资源真正为大众服务
。
[0007]为实现上述目的，采用如下技术方案：
[0008]一种基于智能合约和自注意力的
COVID
‑
19
病灶预测系统，包括病历加密模块
、
基于注意力机制的病灶分割模块
、
基于注意力机制的病灶预测模块
、
组合评分模块和权限控制模块：
[0009]病历加密模块：将智能合约
Access Control Contract(ACC)、
智能合约
JC Contract(JC)
和智能合约
DC Contract(DC)
的功能引入云端环境，根据具体需求和访问策略配置
ACC
，确保只有经过身份验证和授权的访问者才能访问加密的
CT
图像，为访问者提供安全
、
可信赖的电子病历访问服务；
[0010]Access Control Contract(ACC)
：该智能合约是根据访问者和相关电子病历在云端的存储信息编写的；
ACC
负责验证访问请求的合法性，并根据访问策略控制对电子病历的访问权限；
[0011]JC Contract
：该智能合约是用于记录和管理访问者的行为和信誉信息；
JC
维护访
问者的阻塞时间，处理访问者的违规行为，并返回访问者的阻塞时间；
[0012]DC Contract
：该智能合约是用于委托控制的合约；
DC
维护委托人和委托者之间的关系，并记录委托人的主机地址和状态信息；
[0013]基于注意力机制的病灶分割模块包括：
[0014]SwinT
块操作单元：输入图像进入基于
U
‑
net
网络改进的神经网络，每一层的卷积自注意力层使用
Swin Trasnformer
进行计算；
[0015]多尺度融合单元：输入图像池化的过程中，不断进行自注意力运算的大分辨率特征被重塑为与小分辨率特征大小和通道一致的令牌序列，标记序列连接在一起后分别进行后续的图像分割和下一阶段的病灶预测模块；
[0016]掩码差分单元：
MDM
首先过滤掉将被配准的病变图像的分割掩模，然后逐像素减去所得到的掩模；最后，
MDM
将减法的结果通过一个
sigmoid
函数，产生一个在0到1之间的概率，作为分割网络的结果分数
Mask Score
；
[0017]所述的病灶分割模块包括一个以
U
‑
net
为基准的神经网络，用
SwinT
块替换了原来的卷积操作，将患者的
CT
图像输入到该神经网络模块进行下采样特征提取和上采样特征学习；在下采样的终端设计了多尺度融合单元
(MSF)
，该模块通过自我注意机制建模长期依赖来学习全局上下文特征，把大分辨率特征重塑为与小分辨率特征大小和通道一致的令牌序列，然后通过自我注意机制建模长期依赖来学习全局上下文特征；同时利用掩码差分单元
(MDM)
对分割结果逐像素处理，得到一个分割网络的
Mask
评分结果；
[0018]基于注意力机制的病灶预测模块：分割网络中经过编码器的池化结果进入预测网络进行病变预测任务；充分利用池化操作后聚合的信息，利用注意力机制学习通道间的依赖关系；
[0019]病灶预测模块包括：
[0020]静态上下文的空间自注意单元
SCSSM
：以分割网络中的多尺度融合特征为输入，利用自注意机制来整合多个切片之间的信息；利用自注意机制对学习后的每个二维切片的多尺度融合特征进行动态加权；通过抑制不相关的切片来编码空间信息，
SCSSM
可以关注并且预测
COVID
‑
19
最相关的特征；
[0021]动态自适应自注意单元：更好地捕捉同一时期病变
CT
之间的上下文空间关系，同时自注意单元的输出结果会通过一个
sigmoid
函数，产生一个在0到1之间的概率，作为预测网络的结果分数
Predictio本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于智能合约和自注意力的
COVID
‑
19
病灶预测系统，其特征在于，包括病历加密模块
、
基于注意力机制的病灶分割模块
、
基于注意力机制的病灶预测模块
、
组合评分模块和权限控制模块：基于注意力机制的病灶分割模块包括：
SwinT
块操作单元：输入图像进入基于
U
‑
net
网络改进的神经网络，每一层的卷积自注意力层使用
Swin Trasnformer
进行计算；多尺度融合单元：输入图像池化的过程中，不断进行自注意力运算的大分辨率特征被重塑为与小分辨率特征大小和通道一致的令牌序列，标记序列连接在一起后分别进行后续的图像分割和下一阶段的病灶预测模块；掩码差分单元：
MDM
首先过滤掉将被配准的病变图像的分割掩模，然后逐像素减去所得到的掩模；最后，
MDM
将减法的结果通过一个
sigmoid
函数，产生一个在0到1之间的概率，作为分割网络的结果分数
Mask Score
；所述的病灶分割模块包括一个以
U
‑
net
为基准的神经网络，用
SwinT
块替换了原来的卷积操作，将患者的
CT
图像输入到该神经网络模块进行下采样特征提取和上采样特征学习；在下采样的终端设计了多尺度融合单元
(MSF)
，该模块通过自我注意机制建模长期依赖来学习全局上下文特征，把大分辨率特征重塑为与小分辨率特征大小和通道一致的令牌序列，然后通过自我注意机制建模长期依赖来学习全局上下文特征；同时利用掩码差分单元
(MDM)
对分割结果逐像素处理，得到一个分割网络的
Mask
评分结果；基于注意力机制的病灶预测模块：分割网络中经过编码器的池化结果进入预测网络进行病变预测任务；充分利用池化操作后聚合的信息，利用注意力机制学习通道间的依赖关系；病灶预测模块包括：静态上下文的空间自注意单元
SCSSM
：以分割网络中的多尺度融合特征为输入，利用自注意机制来整合多个切片之间的信息；利用自注意机制对学习后的每个二维切片的多尺度融合特征进行动态加权；通过抑制不相关的切片来编码空间信息，
SCSSM
可以关注并且预测
COVID
‑
19
最相关的特征；动态自适应自注意单元：更好地捕捉同一时期病变
CT
之间的上下文空间关系，同时自注意单元的输出结果会通过一个
sigmoid
函数，产生一个在0到1之间的概率，作为预测网络的结果分数
Prediction Score
；组合评分模块：将训练后的
COVID
‑
19
分割
MDM
处理后的
Mask
评分结果和预测网络的预测评分进行线性组合；权限控制模块：保存预测结果并通过控制合约对预测结果进行访问权限控制
。2.
根据权利要求1所述的一种基于智能合约和自注意力的
COVID
‑
19
病灶预测系统，其特征在于，所述的基于注意力机制的病灶分割模块以
U
‑
net
网络作为特征提取基础，引入残差连接和注意力机制，使用
SwinT
块替换了原来的卷积操作，则网络的特征提取过程如公式所示：
S
＝
F
Encoder
+F
Decoder
P
i
＝
C
swin
(P
i
‑1),i
＝
1,2,3,4T
i
＝
Concat(C
cbr
(T
i+1
),P
j
),i
＝
1,2,3,4,j≥iA
上述公式中
F
Encoder
和
F
Decoder
分别表示分割网络的下采样过程和上采样过程，通过对输入图像进行全局池化和自注意力运算，学习图像的细节特征和全局上下文信息之间的长期依赖关系；
Conv
和
Concat
分别表示卷积层和级联操作；
C
swin
包括池化操作和
Swin
块，每一次池化操作将图像像素减少一半，通道数增加一倍；
C
cbr
包括归一化操作和
Relu
激活函数；
P
i
和
T
i
分别表示编码器和解码器所属的不同阶段
。3.
根据权利要求1所述的一种基于智能合约和自注意力的
COVID
‑
19
病灶预测系统，其特征在于，所述的静态上下文的空间自注意单元：假设输入的特征图为
S
，通过卷积计算出特征图
S1、S2和
S3，然后将它们的维度重塑为
R
n
×
c
，其中
n
＝
h
×
w
；接下来，我们将
S1与
S2的元素水平转置相乘，得到权重图
P
；同样，我们对剩余的特征映射进行相同的操作，得到相应的自注意映射；其形式化描述如公式所示：
P
＝
F
scale
(W1Conv(S),W2Conv(S))
在上述公式中
F
scale
(
·
)
为逐元素相乘运算，加权后的特征图与原特征图尺寸相同；
W
则分别表示计算...

【专利技术属性】
技术研发人员：赵涓涓，马跃，强彦，宋平，王威雄，杨菀婷，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：