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、致測與CT檢測兩種，但由于核酸檢測存在試劑短缺、假陰性誤診率相對較高的問題，通常將CT檢測作為主要診斷依據(jù)。而通常一個病例的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+去假陽性+預(yù)測三部分的深度學(xué)習(xí)的智能新冠肺炎檢測系統(tǒng)，進一步提高新冠肺炎準(zhǔn)確率與效率。為達到上述目的，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)；所述智能檢測與診斷單元包括數(shù)據(jù)預(yù)處理模塊、病灶區(qū)檢測模塊、去假陽性模塊、病例預(yù)測模塊；所述數(shù)據(jù)預(yù)處理模塊用于對CT質(zhì)圖像，并發(fā)送給病灶區(qū)檢測模塊；所述病灶區(qū)檢測模塊用于通過引入注意力機制及位置參數(shù)的區(qū)域的分類情況：COVID-19、普通肺炎、無感染區(qū)三種類型的概率結(jié)果以及對應(yīng)的病灶區(qū)域位置；所述去假陽性模塊用于結(jié)合預(yù)測的病灶區(qū)域位置獲取不同大小的病灶塊，通過三維殘差網(wǎng)絡(luò)篩掉誤判的病灶區(qū)；所述病例預(yù)測模塊用于出概率較高的候選區(qū)域及其概率通過優(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。進一步，所述數(shù)據(jù)預(yù)處理模塊的運行步驟包括：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)檢測模塊。進一步，病灶區(qū)檢測模塊運行步驟包括：ARN塔網(wǎng)絡(luò)結(jié)構(gòu)的檢測網(wǎng)絡(luò)得到三維肺實質(zhì)圖像的對應(yīng)特征圖；通過區(qū)域生成網(wǎng)絡(luò)得到一系列的候選區(qū)域以及對應(yīng)的置信后固定候選區(qū)域的特征圖大小并通過感興趣區(qū)域池化層得到固定大小的特征圖輸入；炎、無感染區(qū)三種類型的概率結(jié)果以及對應(yīng)的病灶區(qū)域位置；對主干網(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)練問題。更進一步，所述引入注意力機制及位置參數(shù)的殘差網(wǎng)絡(luò)ARN1M(x)；2意力圖；接著把兩個分支的輸出結(jié)合起來H(x)＝(1+M(x))*F(F(x特征圖上每一個像素點值的權(quán)重；所述引入注意力機制及位置參數(shù)的殘差網(wǎng)絡(luò)ARN的主干網(wǎng)絡(luò)結(jié)構(gòu)包括：取ARNARN332211。進一步，所述區(qū)域生成網(wǎng)絡(luò)對于特征圖上的每一個點都生成9例；再對錨點分類預(yù)測與boundingbox回歸：分類預(yù)測是由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。進一步，引入一個參數(shù)：距離胸膜邊緣的相對距離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依d’作為位置注意力機制加入到第二個全連接層中。進一步，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b_box回歸框分支：全連接層輸出修正后的預(yù)測邊框信息；softmax率結(jié)果。進一步，所述對主干網(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)集上進行微調(diào)的方法來解決小樣本數(shù)據(jù)集的訓(xùn)練問題；針對普通肺部CT48Dropout層以及L2正則化防止過擬合；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后兩個模塊。24*2446*3648*48三種大小的三維病灶區(qū)域，以保證檢測到不同大小結(jié)節(jié)；將病灶區(qū)域作為輸入，利用三維殘差網(wǎng)絡(luò)進行假陽性篩查；手動調(diào)整病灶區(qū)檢測模塊的檢測閾值以及去假陽性模塊的檢測閾值，滿足對病例診斷結(jié)果的不同要求。進一步，所述病例預(yù)測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個候選區(qū)域，濾掉置信度低的候選區(qū)只Px預(yù)測結(jié)果。進一步，存儲單元模塊包括：完成預(yù)測結(jié)果以及對應(yīng)CT功能。存儲的信息包含：病例個人基礎(chǔ)信息、CT的病灶信息。進一步，所述控制單元模塊運行步驟包括：首先通過所述控制單元模塊；對系統(tǒng)模式進行設(shè)置，可設(shè)定為“訓(xùn)練”或“預(yù)測”模式。訓(xùn)練模式下可選擇存儲單元的數(shù)據(jù)作為檢測與診斷單元完成預(yù)測。進一步，所述三維顯示單元模塊運行步驟包括：3DCT的界面并結(jié)合HoloLens創(chuàng)建了一個混合現(xiàn)實環(huán)境，將重建帶有病Unity界面添加了組件，運動、方向拖拽及透明度可視化等。通過組件的開發(fā)及手勢的交互，可將肺部及病灶區(qū)域放置在真實胸部位本發(fā)明的有益效果在于：本方案采用結(jié)合了檢測+去假陽性+預(yù)測三部分相結(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)集對其進行訓(xùn)練，解決了病灶過小不易檢測、單個局部病灶信息過少以及誤診率過高等問題，同時在訓(xùn)練過程中采用了遷移學(xué)習(xí)，解決了醫(yī)學(xué)樣本數(shù)量過小的問題。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、存儲以及三維顯示單元模塊建立了一個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、目標(biāo)和特征在某種程度上將在隨后的說實現(xiàn)和獲得。附圖說明為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作優(yōu)選的詳細描述，其中：1示意圖。2具體實施方式以下通過特定的具體實例說明本發(fā)明的實施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)以下實施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)其中，附圖僅用于示例性說明，表示的僅是示意圖，而非實物圖，不能理解為對本發(fā)明的限制；為了更好地說明本發(fā)明的實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品的尺寸；對本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。本發(fā)明實施例的附圖中相同或相似的標(biāo)號對應(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CT質(zhì)圖像，并發(fā)送給病灶區(qū)檢測模塊。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CTHU)HU＝pixel_val*slope+intercpCT值。由于掃描機器、操作等等因素會導(dǎo)致CT掃描面像素對應(yīng)的1mm*1mm*1mm大小。Hu值在[-500,300間的肺部組織區(qū)域，接著對其進行膨脹、腐蝕、填充等等一系列操作獲得肺實質(zhì)。區(qū)域的分類情況：COVID-19、普通肺炎、無感染區(qū)三種類型的概率結(jié)果以及對應(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)的檢測網(wǎng)絡(luò)得到對應(yīng)的特征圖?？紤]到病灶區(qū)域(3-33mm)往往占整個CT圖像很小的一部(ARN)，其主要包含兩1M(x)2意力圖。接著把兩個分支的輸出結(jié)合起來，H(x)＝(1+M(x))*F(x中每一個像素點值相當(dāng)于對于原始進行預(yù)測。進一步，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)對于特征圖上9個錨點三種面積，每種面積又對應(yīng)三種比例boundingbox回歸：分類預(yù)測是由softmax回歸是對正錨點結(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：首先取一個能夠包括肺部的最小立方體，計d，d＝d/，將參數(shù)d作為位置注意力機制加入到第二個全連接層中。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)測邊框信息。softmax率結(jié)果。針對以上模型采用優(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正則化防止過擬合，有效地減少計算參數(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)值而不會破壞預(yù)訓(xùn)練模型卷積層所學(xué)習(xí)到的特征。(SGD)進行微調(diào)使所述去假陽性模塊用于結(jié)合預(yù)測的病灶區(qū)域位置獲取不同大小的病灶塊，通過三維殘差網(wǎng)絡(luò)篩掉誤判的病灶區(qū)。通過預(yù)測得到的病灶區(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)進行假陽性篩查，提高準(zhǔn)確率。特別地，為了滿足醫(yī)生對于病例診斷結(jié)果的不同要求，針對0.840.25可達到一個比較理想的效果。所述病例預(yù)測模塊用于出概率較高的候選區(qū)域及其概率通過優(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?？紤]到一般預(yù)測結(jié)果會考慮到全局信息且單個病例可能會檢i分別代表患新冠肺炎與普通肺炎的類別。對于某具體方法如下：n代表第n得到了對應(yīng)的患病概率過后，需要對其進一步計算從而得出總的預(yù)測結(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)測類別。所述存儲單元模塊用于病例存儲，完成預(yù)測結(jié)果以及對應(yīng)CT圖像的存儲、刪除、修改、查找功能。存儲的信息包含：病例個人基礎(chǔ)信息、C