一種基于深度學(xué)習(xí)的新冠肺炎智能診斷系統(tǒng) 發(fā)明

一種基于深度學(xué)習(xí)的新冠肺炎智能診斷系統(tǒng)技術(shù)領(lǐng)域本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，涉及一種基于深度學(xué)習(xí)的新冠肺炎智能診斷系統(tǒng)。背景技術(shù)全球性質(zhì)的新冠肺炎(COVID-19)傳染病，因其傳染性強(qiáng)、致測(cè)與CT檢測(cè)兩種，但由于核酸檢測(cè)存在試劑短缺、假陰性誤診率相對(duì)較高的問(wèn)題，通常將CT檢測(cè)作為主要診斷依據(jù)。而通常一個(gè)病例的CT200-500CT發(fā)明內(nèi)容有鑒于此，本發(fā)明的目的在于提供一種包含了檢測(cè)+去假陽(yáng)性+預(yù)測(cè)三部分的深度學(xué)習(xí)的智能新冠肺炎檢測(cè)系統(tǒng)，進(jìn)一步提高新冠肺炎準(zhǔn)確率與效率。為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：顯示單元用于顯示預(yù)測(cè)到的病例數(shù)據(jù)以及系統(tǒng)設(shè)置數(shù)據(jù)；所述智能檢測(cè)與診斷單元包括數(shù)據(jù)預(yù)處理模塊、病灶區(qū)檢測(cè)模塊、去假陽(yáng)性模塊、病例預(yù)測(cè)模塊；所述數(shù)據(jù)預(yù)處理模塊用于對(duì)CT質(zhì)圖像，并發(fā)送給病灶區(qū)檢測(cè)模塊；所述病灶區(qū)檢測(cè)模塊用于通過(guò)引入注意力機(jī)制及位置參數(shù)的區(qū)域的分類情況：COVID-19、普通肺炎、無(wú)感染區(qū)三種類型的概率結(jié)果以及對(duì)應(yīng)的病灶區(qū)域位置；所述去假陽(yáng)性模塊用于結(jié)合預(yù)測(cè)的病灶區(qū)域位置獲取不同大小的病灶塊，通過(guò)三維殘差網(wǎng)絡(luò)篩掉誤判的病灶區(qū)；所述病例預(yù)測(cè)模塊用于出概率較高的候選區(qū)域及其概率通過(guò)優(yōu)化法得到各類別的概率，并結(jié)合各類概率得出最終的病例預(yù)測(cè)。進(jìn)一步，所述數(shù)據(jù)預(yù)處理模塊的運(yùn)行步驟包括：首先將CTCT值，具體為：從DICOM文件中讀取rescalesloprescaleintercetCT值HU＝pixel_val*slope+intercp應(yīng)的CTHU；然后進(jìn)行像素重采樣，將圖像中的像素重采樣到相同大小的體積；Hu值在[-500,300之間的肺部組織區(qū)發(fā)送給病灶區(qū)檢測(cè)模塊。進(jìn)一步，病灶區(qū)檢測(cè)模塊運(yùn)行步驟包括：ARN塔網(wǎng)絡(luò)結(jié)構(gòu)的檢測(cè)網(wǎng)絡(luò)得到三維肺實(shí)質(zhì)圖像的對(duì)應(yīng)特征圖；通過(guò)區(qū)域生成網(wǎng)絡(luò)得到一系列的候選區(qū)域以及對(duì)應(yīng)的置信后固定候選區(qū)域的特征圖大小并通過(guò)感興趣區(qū)域池化層得到固定大小的特征圖輸入；炎、無(wú)感染區(qū)三種類型的概率結(jié)果以及對(duì)應(yīng)的病灶區(qū)域位置；對(duì)主干網(wǎng)絡(luò)使用改良后的遷移學(xué)習(xí)解決小樣本數(shù)據(jù)集的訓(xùn)練問(wèn)題。更進(jìn)一步，所述引入注意力機(jī)制及位置參數(shù)的殘差網(wǎng)絡(luò)ARN1M(x)；2意力圖；接著把兩個(gè)分支的輸出結(jié)合起來(lái)H(x)＝(1+M(x))*F(F(x特征圖上每一個(gè)像素點(diǎn)值的權(quán)重；所述引入注意力機(jī)制及位置參數(shù)的殘差網(wǎng)絡(luò)ARN的主干網(wǎng)絡(luò)結(jié)構(gòu)包括：取ARNARN332211。進(jìn)一步，所述區(qū)域生成網(wǎng)絡(luò)對(duì)于特征圖上的每一個(gè)點(diǎn)都生成9例；再對(duì)錨點(diǎn)分類預(yù)測(cè)與boundingbox回歸：分類預(yù)測(cè)是由softmax輸出置信度，b_boxNMS為下一步驟的輸入；采用池化層輸出統(tǒng)一大小的候選區(qū)域。進(jìn)一步，引入一個(gè)參數(shù)：距離胸膜邊緣的相對(duì)距離d’加入到分類分支的最后一層全連接層中，作為判斷新冠肺炎的檢測(cè)依d’作為位置注意力機(jī)制加入到第二個(gè)全連接層中。進(jìn)一步，分類網(wǎng)絡(luò)的結(jié)構(gòu)如下：第一層是全連接層，第二層是激活層，第三層是全連接層，第四層是一個(gè)b_box回歸框分支：全連接層輸出修正后的預(yù)測(cè)邊框信息；softmax率結(jié)果。進(jìn)一步，所述對(duì)主干網(wǎng)絡(luò)使用改良后的遷移學(xué)習(xí)解決小樣本數(shù)據(jù)集的訓(xùn)練問(wèn)題，具體包括：采用在肺部CT數(shù)據(jù)集LUNA16以及積神經(jīng)網(wǎng)絡(luò)再在醫(yī)學(xué)圖像數(shù)據(jù)集上進(jìn)行微調(diào)的方法來(lái)解決小樣本數(shù)據(jù)集的訓(xùn)練問(wèn)題；針對(duì)普通肺部CT48Dropout層以及L2正則化防止過(guò)擬合；優(yōu)化后的模型訓(xùn)練步驟包括：凍結(jié)預(yù)訓(xùn)練模型的卷積層，支隊(duì)重新構(gòu)建的全連接層使用Adam速學(xué)習(xí)到最優(yōu)權(quán)值而不會(huì)破壞預(yù)訓(xùn)練模型卷積層所學(xué)習(xí)到的特征；SGD后兩個(gè)模塊。24*2446*3648*48三種大小的三維病灶區(qū)域，以保證檢測(cè)到不同大小結(jié)節(jié)；將病灶區(qū)域作為輸入，利用三維殘差網(wǎng)絡(luò)進(jìn)行假陽(yáng)性篩查；手動(dòng)調(diào)整病灶區(qū)檢測(cè)模塊的檢測(cè)閾值以及去假陽(yáng)性模塊的檢測(cè)閾值，滿足對(duì)病例診斷結(jié)果的不同要求。進(jìn)一步，所述病例預(yù)測(cè)模塊采用去噪貝葉斯模型方法得到單i分別代表患新冠肺炎與普通肺炎的類別；保留

nn個(gè)候選區(qū)域，濾掉置信度低的候選區(qū)只Px預(yù)測(cè)結(jié)果。進(jìn)一步，存儲(chǔ)單元模塊包括：完成預(yù)測(cè)結(jié)果以及對(duì)應(yīng)CT功能。存儲(chǔ)的信息包含：病例個(gè)人基礎(chǔ)信息、CT的病灶信息。進(jìn)一步，所述控制單元模塊運(yùn)行步驟包括：首先通過(guò)所述控制單元模塊；對(duì)系統(tǒng)模式進(jìn)行設(shè)置，可設(shè)定為“訓(xùn)練”或“預(yù)測(cè)”模式。訓(xùn)練模式下可選擇存儲(chǔ)單元的數(shù)據(jù)作為檢測(cè)與診斷單元完成預(yù)測(cè)。進(jìn)一步，所述三維顯示單元模塊運(yùn)行步驟包括：3DCT的界面并結(jié)合HoloLens創(chuàng)建了一個(gè)混合現(xiàn)實(shí)環(huán)境，將重建帶有病Unity界面添加了組件，運(yùn)動(dòng)、方向拖拽及透明度可視化等。通過(guò)組件的開(kāi)發(fā)及手勢(shì)的交互，可將肺部及病灶區(qū)域放置在真實(shí)胸部位本發(fā)明的有益效果在于：本方案采用結(jié)合了檢測(cè)+去假陽(yáng)性+預(yù)測(cè)三部分相結(jié)合的深度學(xué)習(xí)網(wǎng)絡(luò)診斷系統(tǒng)輸出診斷結(jié)果，采用高質(zhì)量的標(biāo)注CT作為數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，解決了病灶過(guò)小不易檢測(cè)、單個(gè)局部病灶信息過(guò)少以及誤診率過(guò)高等問(wèn)題，同時(shí)在訓(xùn)練過(guò)程中采用了遷移學(xué)習(xí)，解決了醫(yī)學(xué)樣本數(shù)量過(guò)小的問(wèn)題。能夠作為醫(yī)生閱片診斷的有效參考，大大提升診斷效率；集合了控制、檢測(cè)、存儲(chǔ)以及三維顯示單元模塊建立了一個(gè)功能較為完備的系統(tǒng)，有助于提高患者的治療效率以及積累臨床資料。本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說(shuō)實(shí)現(xiàn)和獲得。附圖說(shuō)明為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作優(yōu)選的詳細(xì)描述，其中：1示意圖。2具體實(shí)施方式以下通過(guò)特定的具體實(shí)例說(shuō)明本發(fā)明的實(shí)施方式，本領(lǐng)域技術(shù)人員可由本說(shuō)明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)以下實(shí)施例中所提供的圖示僅以示意方式說(shuō)明本發(fā)明的基本構(gòu)其中，附圖僅用于示例性說(shuō)明，表示的僅是示意圖，而非實(shí)物圖，不能理解為對(duì)本發(fā)明的限制；為了更好地說(shuō)明本發(fā)明的實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；對(duì)本領(lǐng)域技術(shù)人員來(lái)說(shuō)，附圖中某些公知結(jié)構(gòu)及其說(shuō)明可能省略是可以理解的。本發(fā)明實(shí)施例的附圖中相同或相似的標(biāo)號(hào)對(duì)應(yīng)相同或相似的“上”“下”“左”、“右”、“前”“后”等指示的方位或位置關(guān)系為基于附圖所示2所示，本發(fā)明提供一種基于深度學(xué)習(xí)的新冠肺炎智能所述數(shù)據(jù)預(yù)處理模塊用于對(duì)CT質(zhì)圖像，并發(fā)送給病灶區(qū)檢測(cè)模塊。在CTCT此將灰度值轉(zhuǎn)換成CT值有助于得到目標(biāo)組織或區(qū)域。首先從DICOMt過(guò)CTHU)HU＝pixel_val*slope+intercpCT值。由于掃描機(jī)器、操作等等因素會(huì)導(dǎo)致CT掃描面像素對(duì)應(yīng)的1mm*1mm*1mm大小。Hu值在[-500,300間的肺部組織區(qū)域，接著對(duì)其進(jìn)行膨脹、腐蝕、填充等等一系列操作獲得肺實(shí)質(zhì)。區(qū)域的分類情況：COVID-19、普通肺炎、無(wú)感染區(qū)三種類型的概率結(jié)果以及對(duì)應(yīng)的病灶區(qū)域位置。差網(wǎng)絡(luò)(ARN)與特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)的檢測(cè)網(wǎng)絡(luò)得到對(duì)應(yīng)的特征圖?？紤]到病灶區(qū)域(3-33mm)往往占整個(gè)CT圖像很小的一部(ARN)，其主要包含兩1M(x)2意力圖。接著把兩個(gè)分支的輸出結(jié)合起來(lái)，H(x)＝(1+M(x))*F(x中每一個(gè)像素點(diǎn)值相當(dāng)于對(duì)于原始進(jìn)行預(yù)測(cè)。進(jìn)一步，主干網(wǎng)絡(luò)結(jié)構(gòu)如下：取(ARN)的輸入，分別為(ARN)332211。將不同特征圖分別輸入?yún)^(qū)域生成網(wǎng)絡(luò)，該網(wǎng)絡(luò)對(duì)于特征圖上9個(gè)錨點(diǎn)三種面積，每種面積又對(duì)應(yīng)三種比例boundingbox回歸：分類預(yù)測(cè)是由softmax回歸是對(duì)正錨點(diǎn)結(jié)合標(biāo)NMS(非極大值抑制由于新冠肺炎在CT圖像上表現(xiàn)的特殊性，即：出現(xiàn)靠近胸距離胸膜邊緣的相對(duì)距離加入到分類分支的最后一層全連接層中，具體算法是：首先取一個(gè)能夠包括肺部的最小立方體，計(jì)d，d＝d/，將參數(shù)d作為位置注意力機(jī)制加入到第二個(gè)全連接層中。分類網(wǎng)絡(luò)的結(jié)構(gòu)如下：激活層。b_box回歸框分支：全連接層輸出修正后的預(yù)測(cè)邊框信息。softmax率結(jié)果。針對(duì)以上模型采用優(yōu)化后的遷移學(xué)習(xí)法由于醫(yī)療圖像的特殊性導(dǎo)致訓(xùn)練樣本較少，因此采用在肺部CTLUNA16Tianchi上預(yù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)再CT48DropoutL2正則化防止過(guò)擬合，有效地減少計(jì)算參數(shù)以及加快了訓(xùn)練速度。2步：凍結(jié)預(yù)訓(xùn)練模型的卷積層，支隊(duì)重新構(gòu)建的全連接層使用Adam速學(xué)習(xí)到最優(yōu)權(quán)值而不會(huì)破壞預(yù)訓(xùn)練模型卷積層所學(xué)習(xí)到的特征。(SGD)進(jìn)行微調(diào)使所述去假陽(yáng)性模塊用于結(jié)合預(yù)測(cè)的病灶區(qū)域位置獲取不同大小的病灶塊，通過(guò)三維殘差網(wǎng)絡(luò)篩掉誤判的病灶區(qū)。通過(guò)預(yù)測(cè)得到的病灶區(qū)位置信息，取其三維病灶區(qū)域。為了24*2446*3648*48種大小。將病灶區(qū)域作為輸入，利用三維殘差網(wǎng)絡(luò)進(jìn)行假陽(yáng)性篩查，提高準(zhǔn)確率。特別地，為了滿足醫(yī)生對(duì)于病例診斷結(jié)果的不同要求，針對(duì)0.840.25可達(dá)到一個(gè)比較理想的效果。所述病例預(yù)測(cè)模塊用于出概率較高的候選區(qū)域及其概率通過(guò)優(yōu)化法得到各類別的概率，并結(jié)合各類概率得出最終的病例預(yù)測(cè)?？紤]到一般預(yù)測(cè)結(jié)果會(huì)考慮到全局信息且單個(gè)病例可能會(huì)檢i分別代表患新冠肺炎與普通肺炎的類別。對(duì)于某具體方法如下：n代表第n得到了對(duì)應(yīng)的患病概率過(guò)后，需要對(duì)其進(jìn)一步計(jì)算從而得出總的預(yù)測(cè)結(jié)果，方法如下：若Px均小于設(shè)定閾值(0.5概率大的類別即為預(yù)測(cè)類別。所述存儲(chǔ)單元模塊用于病例存儲(chǔ)，完成預(yù)測(cè)結(jié)果以及對(duì)應(yīng)CT圖像的存儲(chǔ)、刪除、修改、查找功能。存儲(chǔ)的信息包含：病例個(gè)人基礎(chǔ)信息、C