一种基于深度学习的新冠肺炎智能诊断系统 发明

一种基于深度学习的新冠肺炎智能诊断系统技术领域本发明属于医学图像处理领域，涉及一种基于深度学习的新冠肺炎智能诊断系统。背景技术全球性质的新冠肺炎(COVID-19)传染病，因其传染性强、致测与CT检测两种，但由于核酸检测存在试剂短缺、假阴性误诊率相对较高的问题，通常将CT检测作为主要诊断依据。而通常一个病例的CT200-500CT发明内容有鉴于此，本发明的目的在于提供一种包含了检测+去假阳性+预测三部分的深度学习的智能新冠肺炎检测系统，进一步提高新冠肺炎准确率与效率。为达到上述目的，本发明提供如下技术方案：显示单元用于显示预测到的病例数据以及系统设置数据；所述智能检测与诊断单元包括数据预处理模块、病灶区检测模块、去假阳性模块、病例预测模块；所述数据预处理模块用于对CT质图像，并发送给病灶区检测模块；所述病灶区检测模块用于通过引入注意力机制及位置参数的区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置；所述去假阳性模块用于结合预测的病灶区域位置获取不同大小的病灶块，通过三维残差网络筛掉误判的病灶区；所述病例预测模块用于出概率较高的候选区域及其概率通过优化法得到各类别的概率，并结合各类概率得出最终的病例预测。进一步，所述数据预处理模块的运行步骤包括：首先将CTCT值，具体为：从DICOM文件中读取rescalesloprescaleintercetCT值HU＝pixel_val*slope+intercp应的CTHU；然后进行像素重采样，将图像中的像素重采样到相同大小的体积；Hu值在[-500,300之间的肺部组织区发送给病灶区检测模块。进一步，病灶区检测模块运行步骤包括：ARN塔网络结构的检测网络得到三维肺实质图像的对应特征图；通过区域生成网络得到一系列的候选区域以及对应的置信后固定候选区域的特征图大小并通过感兴趣区域池化层得到固定大小的特征图输入；炎、无感染区三种类型的概率结果以及对应的病灶区域位置；对主干网络使用改良后的迁移学习解决小样本数据集的训练问题。更进一步，所述引入注意力机制及位置参数的残差网络ARN1M(x)；2意力图；接着把两个分支的输出结合起来H(x)＝(1+M(x))*F(F(x特征图上每一个像素点值的权重；所述引入注意力机制及位置参数的残差网络ARN的主干网络结构包括：取ARNARN332211。进一步，所述区域生成网络对于特征图上的每一个点都生成9例；再对锚点分类预测与boundingbox回归：分类预测是由softmax输出置信度，b_boxNMS为下一步骤的输入；采用池化层输出统一大小的候选区域。进一步，引入一个参数：距离胸膜边缘的相对距离d’加入到分类分支的最后一层全连接层中，作为判断新冠肺炎的检测依d’作为位置注意力机制加入到第二个全连接层中。进一步，分类网络的结构如下：第一层是全连接层，第二层是激活层，第三层是全连接层，第四层是一个b_box回归框分支：全连接层输出修正后的预测边框信息；softmax率结果。进一步，所述对主干网络使用改良后的迁移学习解决小样本数据集的训练问题，具体包括：采用在肺部CT数据集LUNA16以及积神经网络再在医学图像数据集上进行微调的方法来解决小样本数据集的训练问题；针对普通肺部CT48Dropout层以及L2正则化防止过拟合；优化后的模型训练步骤包括：冻结预训练模型的卷积层，支队重新构建的全连接层使用Adam速学习到最优权值而不会破坏预训练模型卷积层所学习到的特征；SGD后两个模块。24*2446*3648*48三种大小的三维病灶区域，以保证检测到不同大小结节；将病灶区域作为输入，利用三维残差网络进行假阳性筛查；手动调整病灶区检测模块的检测阈值以及去假阳性模块的检测阈值，满足对病例诊断结果的不同要求。进一步，所述病例预测模块采用去噪贝叶斯模型方法得到单i分别代表患新冠肺炎与普通肺炎的类别；保留

nn个候选区域，滤掉置信度低的候选区只Px预测结果。进一步，存储单元模块包括：完成预测结果以及对应CT功能。存储的信息包含：病例个人基础信息、CT的病灶信息。进一步，所述控制单元模块运行步骤包括：首先通过所述控制单元模块；对系统模式进行设置，可设定为“训练”或“预测”模式。训练模式下可选择存储单元的数据作为检测与诊断单元完成预测。进一步，所述三维显示单元模块运行步骤包括：3DCT的界面并结合HoloLens创建了一个混合现实环境，将重建带有病Unity界面添加了组件，运动、方向拖拽及透明度可视化等。通过组件的开发及手势的交互，可将肺部及病灶区域放置在真实胸部位本发明的有益效果在于：本方案采用结合了检测+去假阳性+预测三部分相结合的深度学习网络诊断系统输出诊断结果，采用高质量的标注CT作为数据集对其进行训练，解决了病灶过小不易检测、单个局部病灶信息过少以及误诊率过高等问题，同时在训练过程中采用了迁移学习，解决了医学样本数量过小的问题。能够作为医生阅片诊断的有效参考，大大提升诊断效率；集合了控制、检测、存储以及三维显示单元模块建立了一个功能较为完备的系统，有助于提高患者的治疗效率以及积累临床资料。本发明的其他优点、目标和特征在某种程度上将在随后的说实现和获得。附图说明为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：1示意图。2具体实施方式以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优以下实施例中所提供的图示仅以示意方式说明本发明的基本构其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本发明实施例的附图中相同或相似的标号对应相同或相似的“上”“下”“左”、“右”、“前”“后”等指示的方位或位置关系为基于附图所示2所示，本发明提供一种基于深度学习的新冠肺炎智能所述数据预处理模块用于对CT质图像，并发送给病灶区检测模块。在CTCT此将灰度值转换成CT值有助于得到目标组织或区域。首先从DICOMt过CTHU)HU＝pixel_val*slope+intercpCT值。由于扫描机器、操作等等因素会导致CT扫描面像素对应的1mm*1mm*1mm大小。Hu值在[-500,300间的肺部组织区域，接着对其进行膨胀、腐蚀、填充等等一系列操作获得肺实质。区域的分类情况：COVID-19、普通肺炎、无感染区三种类型的概率结果以及对应的病灶区域位置。差网络(ARN)与特征金字塔网络结构的检测网络得到对应的特征图。考虑到病灶区域(3-33mm)往往占整个CT图像很小的一部(ARN)，其主要包含两1M(x)2意力图。接着把两个分支的输出结合起来，H(x)＝(1+M(x))*F(x中每一个像素点值相当于对于原始进行预测。进一步，主干网络结构如下：取(ARN)的输入，分别为(ARN)332211。将不同特征图分别输入区域生成网络，该网络对于特征图上9个锚点三种面积，每种面积又对应三种比例boundingbox回归：分类预测是由softmax回归是对正锚点结合标NMS(非极大值抑制由于新冠肺炎在CT图像上表现的特殊性，即：出现靠近胸距离胸膜边缘的相对距离加入到分类分支的最后一层全连接层中，具体算法是：首先取一个能够包括肺部的最小立方体，计d，d＝d/，将参数d作为位置注意力机制加入到第二个全连接层中。分类网络的结构如下：激活层。b_box回归框分支：全连接层输出修正后的预测边框信息。softmax率结果。针对以上模型采用优化后的迁移学习法由于医疗图像的特殊性导致训练样本较少，因此采用在肺部CTLUNA16Tianchi上预训练好的卷积神经网络再CT48DropoutL2正则化防止过拟合，有效地减少计算参数以及加快了训练速度。2步：冻结预训练模型的卷积层，支队重新构建的全连接层使用Adam速学习到最优权值而不会破坏预训练模型卷积层所学习到的特征。(SGD)进行微调使所述去假阳性模块用于结合预测的病灶区域位置获取不同大小的病灶块，通过三维残差网络筛掉误判的病灶区。通过预测得到的病灶区位置信息，取其三维病灶区域。为了24*2446*3648*48种大小。将病灶区域作为输入，利用三维残差网络进行假阳性筛查，提高准确率。特别地，为了满足医生对于病例诊断结果的不同要求，针对0.840.25可达到一个比较理想的效果。所述病例预测模块用于出概率较高的候选区域及其概率通过优化法得到各类别的概率，并结合各类概率得出最终的病例预测。考虑到一般预测结果会考虑到全局信息且单个病例可能会检i分别代表患新冠肺炎与普通肺炎的类别。对于某具体方法如下：n代表第n得到了对应的患病概率过后，需要对其进一步计算从而得出总的预测结果，方法如下：若Px均小于设定阈值(0.5概率大的类别即为预测类别。所述存储单元模块用于病例存储，完成预测结果以及对应CT图像的存储、删除、修改、查找功能。存储的信息包含：病例个人基础信息、C