【技术实现步骤摘要】
本专利技术涉及医学图像处理领域，特别提供了一种基于深宽度学习网络的儿童肺部pibo预测方法及预测系统，用于对儿童肺部pibo(感染后闭塞性细支气管炎，post-infectious bronchiolitis obliterans)进行辅助预测判断。
技术介绍
1、据世界卫生组织统计，儿童肺炎在众多致命疾病中的致死率仍占据首位。肺炎严重影响着儿童的生命健康。ct影像是肺炎诊断的辅助手段之一，但因儿童生理年龄等因素使得肺部组织成像相比于成人质量较差，对于医生的专业能力要求往往也更高，需要经验丰富的医生进行诊断治疗。随着计算机科学技术的不断发展以及医疗科技水平的不断提高，人工智能在医学领域的应用也不断深入，计算机辅助诊断(computer-aideddiagnosis,cad)在临床诊断中发挥着越来越重要的作用。通过计算机对图像进行处理可以有效的对ct影像进行分类，辅助医生进行诊断，从而有效的降低误诊率，能够更准确更快速的对是否患肺炎进行诊断，同时也缓解了医生的阅片压力。
2、目前很多深度学习网络模型的方法被用于辅助诊断的研究中，但由于儿童肺部pibo患者的ct影像数据较为稀缺，儿童肺炎辅助诊断的系统性研究较少，另外，深度学习网络参数量庞大，对于机器资源方面的要求较高。
3、因此，提出一种新的模型方法，以提高儿童肺部pibo预测的准确率和诊断速度，辅助医生做出进一步的诊断，并且适用于具有相应计算能力的医疗设备，成为亟待解决的问题。
技术实现思路
1、鉴于此，本专
2、本专利技术一方面提供了一种基于深宽度学习网络的儿童肺部pibo预测方法，包括如下步骤：
3、s1：获取儿童肺部ct影像数据集并划分为带标签的训练数据集和测试数据集，所述标签pibo和非pibo两类；
4、s2：设计基于深宽度学习的儿童肺部pibo预测网络模型并利用所述训练数据集和测试数据集对所述儿童肺部pibo预测网络模型进行训练及测试验证，得到训练好的儿童肺部pibo预测网络模型，其中，所述儿童肺部pibo预测网络模型包括vgg16特征提取模块和嵌入注意力机制的宽度学习网络模块，所述宽度学习网络模块包括依次连接的宽度学习网络特征层、cbam注意力机制层、宽度学习网络增强层和输出层；
5、s3：利用所述训练好的儿童肺部pibo预测网络模型对待预测的儿童肺部ct影像进行pibo预测，得到预测结果。
6、优选，s1中，将儿童肺部ct影像按照4∶1的比例划分为训练数据集和测试数据集，并对影像数据依次进行平铺操作及划分标签。
7、进一步优选，s2中，对所述儿童肺部pibo预测网络模型进行训练的方法如下：
8、s21：将s1中得到的训练数据集中ct影像图片数据作为输入矩阵输入到所述儿童肺部pibo预测网络模型；
9、s22：利用所述vgg16特征提取模块的主干结构对输入的儿童肺部ct影像进行全局语义特征提取；
10、s23：利用宽度学习网络特征层对s22中提取到的全局语义特征进行进一步的特征映射，得到映射特征矩阵zn，其中，zn≡[z1，...，zn]，n为宽度学习网络特征层中映射特征的个数；
11、s24：利用cbam注意力机制层对s23中得到的映射特征矩阵zn中的映射特征进行权重的重新分配，得到调整权重后的特征矩阵f2；
12、s25：将s24中得到的调整权重后的特征矩阵f2输入到所述宽度学习网络增强层，通过增加增强特征对网络进行拓展，得到增强特征矩阵hm，其中，hm≡[h1，...，hm]，m表示增强特征的个数，hm中第j个增强特征为hj≡ξ(f2whj+βhj)，j＝1，...，m，ξ是增强特征的映射函数，whj和βhj分别为随机生成的权重和偏移量；
13、s26：将s25中得到的增强特征矩阵hm与s23中得到的映射特征矩阵zn合并，并利用伪逆的方式求解出连接权重wm，得到训练好的儿童肺部pibo预测网络模型。
14、进一步优选，s22中，利用固定的vgg16特征提取模块中前五层卷积层和最大池化层的网络权值对儿童肺部ct影像数据进行训练，其中，卷积层选用多个3*3的卷积核代替5*5和7*7的卷积核进行卷积和池化。
15、进一步优选，s23中，映射特征矩阵zn中第i个映射特征为其中，wei是从随机生成的数中得到的初始权值矩阵，表示将输入数据x映射到第i个映射特征并进一步通过第e个增强特征进行特征变换的权重矩阵，βei是随机生成的偏移量，表示网络的线性激活函数。
16、进一步优选，s24中，cbam注意力机制层包括通道注意力层和空间注意力层，所述通道注意力层用于将特征的空间信息进行聚合，空间注意力层用于将特征的通道信息进行聚合。
17、进一步优选，s24中，调整权重后的特征矩阵的获得方法如下：
18、s241：利用所述通道注意力层得到通道注意力层特征矩阵mc(zn)，具体表达为：
19、mc(zn)＝σ(mlp(avgpool(zn))+mlp(maxpool(zn)))；
20、式中，mlp表示共享的多层感知机，avgpool为平均池化，maxpool为最大池化，σ为sigmoid函数；
21、s242：将所述通道注意力层特征矩阵mc(zn)与映射特征矩阵zn逐元素相乘，得到特征矩阵f1，之后，将特征矩阵f1输入到空间注意力层，保留空间的特征信息，得到空间注意力层特征矩阵ms(f1)，具体表达为：
22、
23、ms(f1)＝σ(f7*7([avgpool(f1)；maxpool(f1)]))；
24、式中，avgpool为平均池化，maxpool为最大池化，σ为sigmoid函数，f7*7为7*7大小的卷积核；
25、s243：将所述空间注意力层特征矩阵ms(f1)与特征矩阵f1逐元素相乘，进行自适应特征优化，得到调整权重后的特征矩阵f2，具体表达式为：
26、
27、进一步优选，s26中，连接权重wm的计算方法如下：
28、y＝[zn|hm]wm；
29、wm＝[zn|hm]+y；
30、式中，y表示ct影像对应的预测结果，即标签pibo或非pibo。
31、本专利技术还提供了一种基于深宽度学习网络的儿童肺部pibo预测系统，用于执行上述基于深宽度学习网络的儿童肺部pibo预测方法。
32、本专利技术提供的基于深宽度学习网络的儿童肺部pibo预测方法及预测系统，通过vgg16模型提取特征可以弥补宽度学习系统对于特征提取方面不足的问题，通过在宽度学习网络中结合注意力机制可以进一步提高模型对预测的精确度。
本文档来自技高网...【技术保护点】
1.一种基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S1中，将儿童肺部CT影像按照4：1的比例划分为训练数据集和测试数据集，并对影像数据依次进行平铺操作及划分标签。
3.按照权利要求1所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S2中，对所述儿童肺部PIBO预测网络模型进行训练的方法如下：
4.按照权利要求3所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S22中，利用固定的VGG16特征提取模块中前五层卷积层和最大池化层的网络权值对儿童肺部CT影像数据进行训练，其中，卷积层选用多个3*3的卷积核代替5*5和7*7的卷积核进行卷积和池化。
5.按照权利要求3所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S23中，映射特征矩阵Zn中第i个映射特征为其中，Wei是从随机生成的数中得到的初始权值矩阵，表示将输入数据X映射到第i个映射特征并进一步通过第e个增强特征进行特征变换的
6.按照权利要求3所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S24中，CBAM注意力机制层包括通道注意力层和空间注意力层，所述通道注意力层用于将特征的空间信息进行聚合，空间注意力层用于将特征的通道信息进行聚合。
7.按照权利要求6所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S24中，调整权重后的特征矩阵的获得方法如下：
8.按照权利要求3所述的基于深宽度学习网络的儿童肺部PIBO预测方法，其特征在于：S26中，连接权重Wm的计算方法如下：
9.一种基于深宽度学习网络的儿童肺部PIBO预测系统，其特征在于：用于执行权利要求1至8中任一项所述的基于深宽度学习网络的儿童肺部PIBO预测方法。
...【技术特征摘要】
1.一种基于深宽度学习网络的儿童肺部pibo预测方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的基于深宽度学习网络的儿童肺部pibo预测方法，其特征在于：s1中，将儿童肺部ct影像按照4：1的比例划分为训练数据集和测试数据集，并对影像数据依次进行平铺操作及划分标签。
3.按照权利要求1所述的基于深宽度学习网络的儿童肺部pibo预测方法，其特征在于：s2中，对所述儿童肺部pibo预测网络模型进行训练的方法如下：
4.按照权利要求3所述的基于深宽度学习网络的儿童肺部pibo预测方法，其特征在于：s22中，利用固定的vgg16特征提取模块中前五层卷积层和最大池化层的网络权值对儿童肺部ct影像数据进行训练，其中，卷积层选用多个3*3的卷积核代替5*5和7*7的卷积核进行卷积和池化。
5.按照权利要求3所述的基于深宽度学习网络的儿童肺部pibo预测方法，其特征在于：s23中，映射特征矩阵zn中第i个映射特征为其...
【专利技术属性】
技术研发人员：程立英，谷利茹，管文印，张志美，
申请(专利权)人：沈阳师范大学，
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。