CN112633404A - 基于DenseNet的COVID-19患者的CT影像分类方法及装置 - Google Patents

基于DenseNet的COVID-19患者的CT影像分类方法及装置 Download PDF

Info

Publication number
CN112633404A
CN112633404A CN202011608745.8A CN202011608745A CN112633404A CN 112633404 A CN112633404 A CN 112633404A CN 202011608745 A CN202011608745 A CN 202011608745A CN 112633404 A CN112633404 A CN 112633404A
Authority
CN
China
Prior art keywords
image
data
neural network
computed tomography
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011608745.8A
Other languages
English (en)
Inventor
曹加旺
蒋龙泉
薛恩晓
冯瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202011608745.8A priority Critical patent/CN112633404A/zh
Publication of CN112633404A publication Critical patent/CN112633404A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于DenseNet的COVID‑19患者的CT影像分类方法及装置，用于根据COVID‑19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括如下步骤：存储医疗影像信息；利用预处理方法进行预处理得到预处理数据；利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；使用激活函数将融合特征向量映射到低维空间得到分类概率预测值；基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得CAM激活图；显示计算机断层扫描图像、分类概率预测值以及CAM激活图从而辅助医生进行诊断。本发明的方法及装置适用于疫情地区的早期筛查阶段，不仅能改善核算检测假阴性过高的问题，还能提高诊断效率。

Description

基于DenseNet的COVID-19患者的CT影像分类方法及装置
技术领域
本发明具体涉及一种基于DenseNet的COVID-19患者的CT影像分类方法及装置。
背景技术
目前，COVID-19患者主要通过PCR(RT-PCR)检测SARS-CoV-2核酸进行诊断。然而，由于核酸(RT-PCR)试剂盒供应有限以及假阴性病例的出现，一些专家针对上述问题提出了通过诊断更快速的胸部计算机断层扫描(CT)来诊断疑似病例的方法，而该方法的依据为典型的临床症状、流行病学史和积极的CT图像可以用来准确地识别疑似患者。因此，如何快速、准确地从大量CT图像中识别出阳性CT图像，尤其是针对疑似病人较多的疫区而言，提高COVID-19CT图像识别速率以及准确率是一个亟待解决的问题。
传统的图像分类方法是先通过提取图像中的部分信息再结合分类器进行分类，例如基于算子的特征提取方法结合机器学习分类器进行分类。由于传统的图像分类方法只能提取图像中的部分信息，从而造成图像特征的流失，进而导致分类结果不理想，整体表现性能不佳，无法应用在对准确率要求较高的关于COVID-19诊断的CT图像识别任务中。
近年来，深度学习(Deep Learning,DL)已被证明是一种相较于传统的图像分类方法而言更加有效的CT图像分类方法，可以对常见肺部疾病的影像学特征进行分类，该方法在肺部影像数据库(Lung Image Database Consortium，LIDC)上的测试结果表明，改进后的卷积神经网络在分类问题上具有更好的表现。除此之外，DL也被广泛应用于肺结节的自动检测与诊断等任务中。
然而，对于利用深度学习解决计算机断层扫描图像识别问题这一过程进行相关研究后发现，普通的卷积神经网络难以提取医疗影像中的不同层次信息，例如包括断层扫描图像基本大小和灰度的浅层信息以及包括断层扫描图像的边缘、纹路的深层次信息，从而导致普通的CNN在计算机断层扫描图像识别任务中表现不佳，进而导致相关应用难以落地，无法解决实际中的关于COVID-19诊断的CT图像识别问题。
发明内容
为解决上述问题，提供一种利用DenseNet深度挖掘CT影像中的浅层信息以及深层信息的提高COVID-19CT图像识别速率以及准确率的影像分类方法，本发明采用了如下技术方案：
本发明提供了一种基于DenseNet的COVID-19患者的CT影像分类方法，用于根据COVID-19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括如下步骤：步骤E1，存储与COVID-19疑似患者相关的医疗影像信息，其中，医疗影像信息包括计算机断层扫描图像；步骤E2，利用预定的预处理方法对计算机断层扫描图像进行预处理得到预处理数据；步骤E3，利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；步骤E4，使用预定的激活函数将融合特征向量映射到低维空间从而得到分类概率预测值；步骤E5，基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得用于显示病灶位置的CAM激活图；步骤E6，显示计算机断层扫描图像，并将分类概率预测值以及CAM激活图作为分类结果进行显示从而辅助医生进行诊断，其中，密集连接神经网络模型的训练过程包括如下步骤：步骤S1，根据用于训练的临床肺部计算机断层影像的数据特点，构建数据调用模型；步骤S2，利用数据调用模型从预定的影像归档数据库中调用出肺部计算机断层扫描图像以及对应的包含病人健康状况信息的标签数据，并作为训练数据；步骤S3，构建初始密集连接神经网络模型，对训练数据进行处理得到处理结果，并输入初始密集连接神经网络模型；步骤S4，训练初始密集连接神经网络模型得到密集连接神经网络模型，步骤S3包括如下子步骤：步骤S3-1，构建初始密集连接神经网络模型，对肺部计算机断层扫描图像进行窗位列宽的调整得到规范图像，利用预定的分割算法从规范图像中分割出肺部区域，并进行归一化得到归一化图像；步骤S3-2，利用预定的数据扩充方法对归一化图像进行扩充得到扩充图像；步骤S3-3，将扩充图像以及标签数据作为处理结果输入初始密集连接神经网络模型。
根据本发明提供的一种基于DenseNet的COVID-19患者的CT影像分类方法，还可以具有这样的技术特征，其中，步骤T1，获取计算机断层扫描图像对应的CT检测机器型号，使用与机器型号对应的窗位列宽调节计算机断层扫描图像得到规范待测图像，并进行归一化得到归一化待测图像；步骤T2，采用分割算法对归一化待测图像进行分割得到待测肺部区域图像，并将待测肺部区域图像转换为Tensor张量数据作为预处理数据。
根据本发明提供的一种基于DenseNet的COVID-19患者的CT影像分类方法，还可以具有这样的技术特征，其中，分割算法为阈值分割算法。
根据本发明提供的一种基于DenseNet的COVID-19患者的CT影像分类方法，还可以具有这样的技术特征，其中，数据扩充方法包括旋转、平移、随机裁剪以及加入高斯噪声。
根据本发明提供的一种基于DenseNet的COVID-19患者的CT影像分类方法，还可以具有这样的技术特征，其中，临床肺部计算机断层影像为经过脱敏处理的格式为DCM的脱敏数据。
本发明提供了一种基于DenseNet的COVID-19患者的CT影像分类装置，用于根据COVID-19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括：数据存储部，用于存储与COVID-19疑似患者相关的医疗影像信息，其中，医疗影像信息包括计算机断层扫描图像；数据预处理部，利用预定的预处理方法对计算机断层扫描图像进行预处理得到预处理数据；特征提取部，利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；分类结果获取部，使用预定的激活函数将融合特征向量映射到低维空间从而得到分类概率预测值；激活图获取部，基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得用于显示病灶位置的CAM激活图；显示部，显示计算机断层扫描图像，并将分类概率预测值以及CAM激活图作为分类结果进行显示从而辅助医生进行诊断，其中，密集连接神经网络模型的训练过程包括如下步骤：步骤S1，根据用于训练的临床肺部计算机断层影像的数据特点，构建数据调用模型；步骤S2，利用数据调用模型从预定的影像归档数据库中调用出肺部计算机断层扫描图像以及对应的包含病人健康状况信息的标签数据，并作为训练数据；步骤S3，构建初始密集连接神经网络模型，对训练数据进行处理得到处理结果，并输入初始密集连接神经网络模型；步骤S4，训练初始密集连接神经网络模型得到密集连接神经网络模型，步骤S3包括如下子步骤：步骤S3-1，构建初始密集连接神经网络模型，对肺部计算机断层扫描图像进行窗位列宽的调整得到规范图像，利用预定的分割算法从规范图像中分割出肺部区域，并进行归一化得到归一化图像；步骤S3-2，利用预定的数据扩充方法对归一化图像进行扩充得到扩充图像；步骤S3-3，将扩充图像以及标签数据作为处理结果输入初始密集连接神经网络模型。
发明作用与效果
根据本发明的基于DenseNet的COVID-19患者的CT影像分类方法及装置，由于利用预定的预处理方法对计算机断层扫描图像进行预处理得到预处理数据，进一步地利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量，从而去除了肺部外围噪声的影响，并融合了图像中的深层信息和浅层信息，因此能够有效挖掘图像信息，在诊断COVID-19的肺部主要特征“毛玻璃影”具有较大的优势，从而能够获得较高的准确率。另外，由于密集连接神经网络模型是基于DenseNet的神经网络模型，因此加快了分类时间。同时，由于显示计算机断层扫描图像，并将分类概率预测值以及CAM激活图作为分类结果进行显示，因此可以方便医生进行诊断，提高诊断效率。
本发明的一种基于DenseNet的COVID-19患者的CT影像分类方法可以应用在疫情地区的早期筛查阶段，不仅能够极大改善核算检测假阴性过高的问题，还能缩短分类时间，从而辅助医生进行快速准确地诊断。
附图说明
图1为本发明实施例的一种基于DenseNet的COVID-19患者的CT影像分类方法的流程图；
图2为本发明实施例的密集连接神经网络模型训练过程的流程图；
图3为本发明实施例的初始密集连接神经网络模型网络结构的内容表；
图4为本发明实施例的CAM激活图的示例图；以及
图5为本发明实施例的基于DenseNet的COVID-19患者的CT影像分类装置的结构框图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于DenseNet的COVID-19患者的CT影像分类方法及装置作具体阐述。
<实施例>
本实施例的一种基于DenseNet的COVID-19患者的CT影像分类方法及装置的具体实现系统为ubuntu16.04操作系统，通过Python3.7语言实现，使用pytorch 1.1版本搭建神经网络框架，CUDA版本为10.0，使用NVIDIA1080Ti GPU作为计算加速单元，影像归档数据库为影像归档和通信系统(Picture Archiving and Communication Systems，PACS)。
图1为本发明实施例的一种基于DenseNet的COVID-19患者的CT影像分类方法的流程图。
如图1所示，一种基于DenseNet的COVID-19患者的CT影像分类方法包括如下步骤：
步骤E1，存储与COVID-19疑似患者相关的医疗影像信息，其中，医疗影像信息包括计算机断层扫描图像。
其中，临床肺部计算机断层影像为经过脱敏处理的格式为DCM的脱敏数据。
步骤E2，利用预定的预处理方法对计算机断层扫描图像(即CT)进行预处理得到预处理数据。
其中，预处理方法包括如下步骤：
步骤T1，获取计算机断层扫描图像对应的CT检测机器型号，使用与机器型号对应的窗位列宽调节计算机断层扫描图像得到规范待测图像，并进行归一化得到归一化待测图像。
本实施例中，CT检测机器型号为全容量HRCT图像，该型号对应的窗位列宽调节为窗宽＝1200Hu，窗高＝-600Hu。
步骤T2，采用分割算法对归一化待测图像进行分割得到待测肺部区域图像，并将待测肺部区域图像转换为Tensor张量数据作为预处理数据。
其中，Tensor张量数据的形状为1×512×512。
步骤E3，利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量。
图2为本发明实施例的密集连接神经网络模型训练过程的流程图。
如图2所示，密集连接神经网络模型的训练过程包括如下步骤：
步骤S1，根据用于训练的临床肺部计算机断层影像的数据特点，构建数据调用模型。具体地：
先从医院的PACS系统中获取带有部分用户权限的账号和密码，并通过通讯协议获得PACS系统中的COVID-19患者的为DCM格式的计算机断层扫描图像以及对应的标签数据，并进行存储。
另外，在存储过程中，计算机断层扫描图像是根据扫描层厚的不同可能有不同的切片数量，并且按病人为表头进行存储的。
步骤S2，利用数据调用模型从预定的影像归档数据库中调用出肺部计算机断层扫描图像以及对应的包含病人健康状况信息的标签数据，并作为训练数据。
本实施例中，影像归档数据库为医院专门用于进行影像归档的系统PACS系统。
步骤S3，构建初始密集连接神经网络模型，对训练数据进行处理得到处理结果，并输入初始密集连接神经网络模型。
其中，步骤S3-1，构建初始密集连接神经网络模型，对肺部计算机断层扫描图像进行窗位列宽的调整得到规范图像，利用预定的分割算法从规范图像中分割出肺部区域，并进行归一化得到归一化图像。具体地：
先构建初始密集连接神经网络模型，然后对肺部计算机断层扫描图像进行窗位列宽的调整，从而去除外围噪声的影响，接着利用预定的分割算法分割出肺部区域，并保留长宽均为512的断层扫描图像，最后对断层扫描图像进行归一化得到归一化图像。
图3为本发明实施例的初始密集连接神经网络模型网络结构的内容表。
如图3所示，先将初始密集连接神经网络模型的input数据512×512矩阵整理为1×512×512形状的tensor，然后按照序号逐一利用对应的层结构对tensor进行运算。每一个层结构都对应的有多个参数，该参数包括in_channel、out_channel、kernel_size、stride以及padding
其中，序号为1的卷积层对应的kernel_size为7×7，此时tensor的通道数即为112×112的out_channel。再经过序号为2的池化层得到out_channel为56×56的tensor。进一步地，经过序号为3的密集连接块以及序号为4的Transition层从而提取特征，再按照序号进一步提取特征，最后经过分类层得到分类概率预测值。
本实施例中，密集连接块由卷积组组成，每组卷积组包括一个1×1的卷积层以及一个3×3的卷积层。
其中，分割算法为阈值分割算法。
本实施例中，先采用阈值分割法对肺部计算机断层扫描图像中的肺部区域提取出Mask，然后利用Mask在整个计算机断层扫描图像上提取出重点观测区域，进而进行归一化得到归一化图像。
步骤S3-2，利用预定的数据扩充方法对归一化图像进行扩充得到扩充图像。
其中，数据扩充方法包括旋转、平移、随机裁剪以及加入高斯噪声。
步骤S3-3，将扩充图像以及标签数据作为处理结果输入初始密集连接神经网络模型。
步骤S4，训练初始密集连接神经网络模型得到训练好的密集连接神经网络模型。
本实施例中，训练初始密集连接神经网络模型时相关参数的设置情况为：批量大小设为32，epoch为20，梯度下降方法为随机梯度下降优化(SGD)，学习速率采用StepLR策略，初始值为0.01，动量为0.9,步长为5。
步骤E4，使用预定的激活函数将融合特征向量映射到低维空间从而得到分类概率预测值。
本实施例中，激活函数为常用的激活函数，分类概率预测值包括切片层面的概率以及患者层面的阳性概率。
图4为本发明实施例的CAM激活图的示例图。
步骤E5，基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得用于显示病灶位置的CAM激活图(如图4所示)。
具体地，密集连接神经网络模型中密集连接层的神经网络参数与原始输入图像经过线性相乘后，再经过一个激活函数，此时整张图片上的所有像素点均有对应的神经网络参数，将这部分参数进行可视化得到用于突出显示病灶位置(如图4中三个白色圆圈圈定的区域)的CAM激活图(如图4所示)。
步骤E6，显示计算机断层扫描图像，并将分类概率预测值以及CAM激活图作为分类结果进行显示从而辅助医生进行诊断。
图5为本发明实施例的基于DenseNet的COVID-19患者的CT影像分类装置1的结构框图。
本实施例的基于DenseNet的COVID-19患者的CT影像分类装置1包括数据存储部11、数据预处理部12、特征提取部13、分类结果获取部14、激活图获取部15、显示部16以及控制部17(如图5所示)。本实施例中，基于DenseNet的COVID-19患者的CT影像分类装置1基于本发明的基于DenseNet的COVID-19患者的CT影像分类方法，用于根据COVID-19疑似患者的计算机断层扫描图像进行分类得到分类结果，并可应用于嵌入式设备。
数据存储部11用于存储与COVID-19疑似患者相关的医疗影像信息，其中，医疗影像信息包括计算机断层扫描图像。
本实施例中，数据存储部11与PACS系统对接，可以从该系统中提取COVID-19疑似患者相关的计算机断层扫描图像以及对应的相关标签，并将上述信息作为医疗影像信息进行存储。
数据预处理部12利用预定的预处理方法对计算机断层扫描图像进行预处理得到预处理数据。
特征提取部13利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量。
其中，密集连接神经网络模型通过上述步骤S1至步骤S4训练得到。
分类结果获取部14使用预定的激活函数将融合特征向量映射到低维空间从而得到分类概率预测值。
同时，分类结果获取部14还会保留密集连接神经网络模型内部的参数信息。
激活图获取部15基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得用于显示病灶位置的CAM激活图。
显示部16显示计算机断层扫描图像，并将分类概率预测值以及CAM激活图作为分类结果进行显示从而辅助医生进行诊断。
控制部17控制上述各个部实现对应的功能。
为了验证上述一种基于DenseNet的COVID-19患者的CT影像分类方法及装置的效果，通过以下实验进行说明：
本实施例获取得到的数据为前期经过核酸诊断的295例患者，具体情况为男154例、女141例，年龄中位数为37.5岁，年龄跨度为15-80岁，健康人数为149例，SARS-CoV-2核酸抗体阳性患者共146例(排除10例HRCT无肺部病变患者)。
将上述数据分为三个独立集，即用于算法开发的训练数据、用于在开发过程中超参数选择的验证数据(验证集，n＝20，健康的人，n＝10，病人，n＝10)，以及其他用于算法测试的测试数据。
其中，训练数据总共包括135例，健康人为69例，确诊患者为66例；验证数据总共包括20例，健康人为10例，确诊患者为10例；测试数据总共包括140例，健康人为70例，确诊患者为70例。
通过上述方法或装置验证得到密集连接神经网络模型在验证数据上的AUC为0.99(95％CI:0.958-1.0)，在测试数据上的AUC为0.98(95％CI:0.972-0.995)。
另外，在判定为阳性的阈值设定为0.8的情况下，验证集和测试集的精度分别为95％和92％，敏感性分别为100％和97％，特异性分别为90％和87％，F1值分别为95％和93％。相比而言，专科医生诊断的敏感性为94％，特异性为96％，准确度为95％。
同时，实验表明，一批32张图像的测试过程总耗时约3秒，一名患者的所有计算机断层扫描图测试总耗时约30秒，测试集准确率达到92％，灵敏度达到97％。
综上，相较于人工诊断而言，本发明的基于DenseNet的COVID-19患者的CT影像分类装置1以及基于DenseNet的COVID-19患者的CT影像分类方法不仅具有接近专家医生诊断水平的较高准确率还有较快的速率，因此特别适用于核酸检测工具匮乏、专家医生数量不够的情况，能够有效辅助医生进行快速诊断，并遏制疫情的快速传播。
实施例作用与效果
根据本实施例提供的基于DenseNet的COVID-19患者的CT影像分类方法及装置，由于利用预定的预处理方法对计算机断层扫描图像进行预处理得到预处理数据，进一步地利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量，从而去除了肺部外围噪声的影响，并融合了图像中的深层信息和浅层信息，因此能够有效挖掘图像信息，在诊断COVID-19的肺部主要特征“毛玻璃影”具有较大的优势，从而能够获得较高的准确率。另外，由于密集连接神经网络模型是基于DenseNet的神经网络模型，因此加快了分类时间。同时，由于显示计算机断层扫描图像，并将分类概率预测值以及CAM激活图作为分类结果进行显示，因此可以方便医生进行诊断，提高诊断效率。
另外，在实施例中，由于临床肺部计算机断层影像为经过脱敏处理的格式为DCM的脱敏数据，因此不会读取患者的姓名等信息，不涉及重要隐私，从而最大程度上地保证了用户的信息安全。
另外，在实施例中，由于数据扩充方法包括旋转、平移、随机裁剪以及加入高斯噪声，因此降低了密集连接神经网络模型对旋转、平移、以及高斯噪声等不稳定因素的敏感性，进而提高了密集连接神经网络模型的鲁棒性。
另外，在实施例中，由于分割算法为阈值分割算法，因此可以去除外围噪声的影响，提高归一化图像的质量，有助于提高密集连接神经网络模型的鲁棒性。
另外，在实施例中，由于获取计算机断层扫描图像对应的CT检测机器型号，使用与机器型号对应的窗位列宽调节计算机断层扫描图像得到规范待测图像，因此可以使得肺部区域特征更加明显。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
实施例中，数据扩充方法包括旋转、平移、随机裁剪以及加入高斯噪声，在本发明的其他方案中，也可以增加其他常规的数据扩充方法进行扩充从而降低密集连接神经网络模型对不稳定因素的敏感性。
实施例中，CAM激活图中的病灶位置是通过白色圆圈突出显示，在本发明的其他方案中，也可以通过彩色高亮的方式突出显示病灶位置。

Claims (6)

1.一种基于DenseNet的COVID-19患者的CT影像分类方法，用于根据COVID-19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括如下步骤：
步骤E1，存储与所述COVID-19疑似患者相关的医疗影像信息，其中，所述医疗影像信息包括所述计算机断层扫描图像；
步骤E2，利用预定的预处理方法对所述计算机断层扫描图像进行预处理得到预处理数据；
步骤E3，利用训练好的密集连接神经网络模型从所述预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；
步骤E4，使用预定的激活函数将所述融合特征向量映射到低维空间从而得到分类概率预测值；
步骤E5，基于所述密集连接神经网络模型的内部参数以及所述计算机断层扫描图像获得用于显示病灶位置的CAM激活图；
步骤E6，显示所述计算机断层扫描图像，并将所述分类概率预测值以及所述CAM激活图作为所述分类结果进行显示从而辅助医生进行诊断，
其中，所述密集连接神经网络模型的训练过程包括如下步骤：
步骤S1，根据用于训练的临床肺部计算机断层影像的数据特点，构建数据调用模型；
步骤S2，利用所述数据调用模型从预定的影像归档数据库中调用出肺部计算机断层扫描图像以及对应的包含病人健康状况信息的标签数据，并作为训练数据；
步骤S3，构建初始密集连接神经网络模型，对所述训练数据进行处理得到处理结果，并输入所述初始密集连接神经网络模型；
步骤S4，训练所述初始密集连接神经网络模型得到所述密集连接神经网络模型，
所述步骤S3包括如下子步骤：
步骤S3-1，构建所述初始密集连接神经网络模型，对所述肺部计算机断层扫描图像进行窗位列宽的调整得到规范图像，利用预定的分割算法从所述规范图像中分割出肺部区域，并进行归一化得到归一化图像；
步骤S3-2，利用预定的数据扩充方法对所述归一化图像进行扩充得到扩充图像；
步骤S3-3，将所述扩充图像以及所述标签数据作为所述处理结果输入所述初始密集连接神经网络模型。
2.根据权利要求1所述的基于DenseNet的COVID-19患者的CT影像分类方法，其特征在于：
其中，所述预处理方法包括如下步骤：
步骤T1，获取所述计算机断层扫描图像对应的CT检测机器型号，使用与机器型号对应的窗位列宽调节所述计算机断层扫描图像得到规范待测图像，并进行归一化得到归一化待测图像；
步骤T2，采用所述分割算法对所述归一化待测图像进行分割得到待测肺部区域图像，并将待测肺部区域图像转换为Tensor张量数据作为所述预处理数据。
3.根据权利要求2所述的基于DenseNet的COVID-19患者的CT影像分类方法，其特征在于：
其中，所述分割算法为阈值分割算法。
4.根据权利要求1所述的基于DenseNet的COVID-19患者的CT影像分类方法，其特征在于：
其中，所述数据扩充方法包括旋转、平移、随机裁剪以及加入高斯噪声。
5.根据权利要求1所述的基于DenseNet的COVID-19患者的CT影像分类方法，其特征在于：
其中，所述临床肺部计算机断层影像为经过脱敏处理的格式为DCM的脱敏数据。
6.一种基于DenseNet的COVID-19患者的CT影像分类装置，用于根据COVID-19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括：
数据存储部，用于存储与所述COVID-19疑似患者相关的医疗影像信息，其中，所述医疗影像信息包括所述计算机断层扫描图像；
数据预处理部，利用预定的预处理方法对所述计算机断层扫描图像进行预处理得到预处理数据；
特征提取部，利用训练好的密集连接神经网络模型从所述预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；
分类结果获取部，使用预定的激活函数将所述融合特征向量映射到低维空间从而得到分类概率预测值；
激活图获取部，基于所述密集连接神经网络模型的内部参数以及所述计算机断层扫描图像获得用于显示病灶位置的CAM激活图；
显示部，显示所述计算机断层扫描图像，并将所述分类概率预测值以及所述CAM激活图作为所述分类结果进行显示从而辅助医生进行诊断，
其中，所述密集连接神经网络模型的训练过程包括如下步骤：
步骤S1，根据用于训练的临床肺部计算机断层影像的数据特点，构建数据调用模型；
步骤S2，利用所述数据调用模型从预定的影像归档数据库中调用出肺部计算机断层扫描图像以及对应的包含病人健康状况信息的标签数据，并作为训练数据；
步骤S3，构建初始密集连接神经网络模型，对所述训练数据进行处理得到处理结果，并输入所述初始密集连接神经网络模型；
步骤S4，训练所述初始密集连接神经网络模型得到所述密集连接神经网络模型，
所述步骤S3包括如下子步骤：
步骤S3-1，构建所述初始密集连接神经网络模型，对所述肺部计算机断层扫描图像进行窗位列宽的调整得到规范图像，利用预定的分割算法从所述规范图像中分割出肺部区域，并进行归一化得到归一化图像；
步骤S3-2，利用预定的数据扩充方法对所述归一化图像进行扩充得到扩充图像；
步骤S3-3，将所述扩充图像以及所述标签数据作为所述处理结果输入所述初始密集连接神经网络模型。
CN202011608745.8A 2020-12-30 2020-12-30 基于DenseNet的COVID-19患者的CT影像分类方法及装置 Pending CN112633404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011608745.8A CN112633404A (zh) 2020-12-30 2020-12-30 基于DenseNet的COVID-19患者的CT影像分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011608745.8A CN112633404A (zh) 2020-12-30 2020-12-30 基于DenseNet的COVID-19患者的CT影像分类方法及装置

Publications (1)

Publication Number Publication Date
CN112633404A true CN112633404A (zh) 2021-04-09

Family

ID=75286874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011608745.8A Pending CN112633404A (zh) 2020-12-30 2020-12-30 基于DenseNet的COVID-19患者的CT影像分类方法及装置

Country Status (1)

Country Link
CN (1) CN112633404A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269230A (zh) * 2021-04-23 2021-08-17 复旦大学 一种基于时序高维特征提取的多肺炎ct分类方法及装置
CN114187288A (zh) * 2021-12-20 2022-03-15 浙江大学嘉兴研究院 基于协同深度学习和肺部ct图像的covid-19检测方法
CN117174257A (zh) * 2023-11-03 2023-12-05 福建自贸试验区厦门片区Manteia数据科技有限公司 医疗影像的处理装置、电子设备及计算机可读存储介质
CN117876789A (zh) * 2024-02-19 2024-04-12 皖南医学院 一种基于改进DenseNet的COVID-19 CT图像分类方法
RU2822867C1 (ru) * 2023-11-09 2024-07-15 Общество С Ограниченной Ответственностью "Компания "Стрим Лабс" Аппаратно-программный комплекс поддержки принятия врачебных решений

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019125026A1 (ko) * 2017-12-20 2019-06-27 주식회사 메디웨일 심혈관 질병 진단 보조 방법 및 장치
CN110853051A (zh) * 2019-10-24 2020-02-28 北京航空航天大学 基于多注意密集连接生成对抗网络的脑血管影像分割方法
CN111737521A (zh) * 2020-08-04 2020-10-02 北京微播易科技股份有限公司 一种视频分类方法和装置
CN111815608A (zh) * 2020-07-13 2020-10-23 北京小白世纪网络科技有限公司 基于深度学习的新冠肺炎患者康复时间预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019125026A1 (ko) * 2017-12-20 2019-06-27 주식회사 메디웨일 심혈관 질병 진단 보조 방법 및 장치
CN110853051A (zh) * 2019-10-24 2020-02-28 北京航空航天大学 基于多注意密集连接生成对抗网络的脑血管影像分割方法
CN111815608A (zh) * 2020-07-13 2020-10-23 北京小白世纪网络科技有限公司 基于深度学习的新冠肺炎患者康复时间预测方法及系统
CN111737521A (zh) * 2020-08-04 2020-10-02 北京微播易科技股份有限公司 一种视频分类方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHUYI YANG ETAL.: ""Deep learning for detecting corona virus disease 2019 (COVID-19) on high-resolution computed tomography: a pilot study"", 《ANNALS OF TRANSLATIONAL MEDICINE》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269230A (zh) * 2021-04-23 2021-08-17 复旦大学 一种基于时序高维特征提取的多肺炎ct分类方法及装置
CN113269230B (zh) * 2021-04-23 2022-09-06 复旦大学 一种基于时序高维特征提取的多肺炎ct分类方法及装置
CN114187288A (zh) * 2021-12-20 2022-03-15 浙江大学嘉兴研究院 基于协同深度学习和肺部ct图像的covid-19检测方法
CN117174257A (zh) * 2023-11-03 2023-12-05 福建自贸试验区厦门片区Manteia数据科技有限公司 医疗影像的处理装置、电子设备及计算机可读存储介质
CN117174257B (zh) * 2023-11-03 2024-02-27 福建自贸试验区厦门片区Manteia数据科技有限公司 医疗影像的处理装置、电子设备及计算机可读存储介质
RU2822867C1 (ru) * 2023-11-09 2024-07-15 Общество С Ограниченной Ответственностью "Компания "Стрим Лабс" Аппаратно-программный комплекс поддержки принятия врачебных решений
CN117876789A (zh) * 2024-02-19 2024-04-12 皖南医学院 一种基于改进DenseNet的COVID-19 CT图像分类方法

Similar Documents

Publication Publication Date Title
JP7069359B2 (ja) 深層学習を使用して癌検出を改善するための方法およびシステム
US20230419696A1 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
JP6859445B2 (ja) 脳卒中の診断及び予後予測方法システム及びその作動方法
JP7279015B2 (ja) マンモグラフィにおける密度の評価
US10019656B2 (en) Diagnostic system and method for biological tissue analysis
US11954598B2 (en) Matching network for medical image analysis
CN112633404A (zh) 基于DenseNet的COVID-19患者的CT影像分类方法及装置
EP3806744B1 (en) Immediate workup
CN101742961B (zh) 诊断支持设备及系统
CN107133638B (zh) 基于两分类器的多参数mri前列腺癌cad方法及系统
CN112164082A (zh) 基于3d卷积神经网络分割多模态mr脑部图像方法
Yao et al. Automated hematoma segmentation and outcome prediction for patients with traumatic brain injury
US11817204B2 (en) Specialized computer-aided diagnosis and disease characterization with a multi-focal ensemble of convolutional neural networks
JP2023534448A (ja) 機械学習技術を使用したデジタル病理画像における特徴の異種性の評価
CN113269230B (zh) 一种基于时序高维特征提取的多肺炎ct分类方法及装置
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
Wu et al. Early identification of ischemic stroke in noncontrast computed tomography
KR102360615B1 (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
Irene et al. Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
Kaya et al. A CNN transfer learning‐based approach for segmentation and classification of brain stroke from noncontrast CT images
CN112861881A (zh) 一种基于改进MobileNet模型的蜂窝肺识别方法
CN113130050A (zh) 一种医学信息显示方法及显示系统
Bhaskar et al. Pulmonary lung nodule detection and classification through image enhancement and deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409

RJ01 Rejection of invention patent application after publication