判断传染疾病发展的视觉检测方法及装置

摘要

本发明提供了一种判断传染疾病发展的视觉检测方法及装置，所述方法包括，获取预设数量的新冠患者的肺部CT影像及对应的结果标签，组成训练数据集，结果标签记录有新冠患者是否发展为重症患者的结果；将训练数据集输入预设的卷积神经网络模型进行监督式训练，得到图像分析模型，所述卷积神经网络模型由1×1卷积层结构加densenet结构组合而成；将待检测新冠患者的肺部CT影像输入到图像分析模型进行病情发展预测，得到待检测新冠患者发展为重症患者的概率。本发明的有益效果在于：可以有效提取新冠患者的肺部CT影像特征，提高识别准确率，通过densenet结构，有效提高模型的鲁棒性。

说明书

技术领域

本发明涉及一种视觉检测方法及装置，尤其是指一种判断传染疾病发展的视觉检测方法及装置。

背景技术

新型冠状病毒(新冠，SARS-CoV-2)自2019年底首次报道以来，已迅速发展至全球性的新型传染性疫情。防控该疫情扩散的主要难点之一为在临床护理层面上，虽然新冠肺炎(COVID-19pneumonia)患者总体死亡率较低，但进展为重型症状的患者，其死亡风险较高，目前尚缺少有效的方法在早期阶段即筛选出可能进展为重型的患者。在尚无特效药或疗法的前提下，这些问题将会给社会生产及经济发展带来持续的负担和不确定性。

新冠确诊患者在入院后，通常会有两种疾病发展的可能，一种为无进展，即患者从入院至治愈出院，症状无显著恶化，另一种为进展，即患者症状发生恶化，进展为重型或危重型。无进展患者的治愈出院结局对重型起始结局构成了竞争风险，即无进展患者出院后100％可能不会进展为重型，普通的生存分析方法由于将无进展治愈出院事件作为删失事件处理，会对重型起始的风险估测引入偏差。

发明内容

本发明所要解决的技术问题是：提供一种判断传染疾病发展的视觉检测方法及装置。

为了解决上述技术问题，本发明采用的技术方案为：一种判断传染疾病发展的视觉检测方法，包括以下步骤，

S10、获取预设数量的新冠患者的肺部CT影像及对应的结果标签，组成训练数据集，结果标签记录有新冠患者是否发展为重症患者的结果；

S20、将训练数据集输入预设的卷积神经网络模型进行监督式训练，得到图像分析模型，所述卷积神经网络模型由1×1卷积层结构加densenet结构组合而成；

S30、将待检测新冠患者的肺部CT影像输入到图像分析模型进行病情发展预测，得到待检测新冠患者发展为重症患者的概率。

进一步的，步骤S20中，对卷积神经网络模型进行监督式训练时，让卷积神经网络模型通过反向传播算法在训练数据集上学习并优化权重参数和偏差参数，并将得到的权重参数及偏差参数进行固化，得到图像分析模型。

进一步的，所述卷积神经网络模型由第一卷积层、第一池化层、第二卷积层、第二池化层、第一Densenet模块、第二Densenet模块、第三卷积层、第四卷积层、第一全连接层及第二全连接层依次串联组成。

进一步的，所述第一卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为16，中间特征矩阵的尺寸为416×416，深度为16；

所述第一池化层卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为208×208，深度为16；

所述第二卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为32，中间特征矩阵的尺寸为208×208，深度为32；

所述第二池化层的卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为104×104，深度为32。

进一步的，所述第一densenet模块的中间特征矩阵的尺寸为104×104，深度为128；

所述第二densenet模块的中间特征矩阵的尺寸为104×104，深度为512；

所述第三卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为128；

所述第四卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为32。

本发明还提供了一种判断传染疾病发展的视觉检测装置，包括，

训练数据集获取模块，获取预设数量的新冠患者的肺部CT影像及对应的结果标签，组成训练数据集，结果标签记录有新冠患者是否发展为重症患者的结果；

图像分析模型训练模块，将训练数据集输入预设的卷积神经网络模型进行监督式训练，得到图像分析模型，所述卷积神经网络模型由1×1卷积层结构加densenet结构组合而成；

新冠患者病情预测模块，用于将待检测新冠患者的肺部CT影像输入到图像分析模型进行病情发展预测，得到待检测新冠患者发展为重症患者的概率。

进一步的，所述图像分析模型训练模块，用于对卷积神经网络模型进行监督式训练时，让卷积神经网络模型通过反向传播算法在训练数据集上学习并优化权重参数和偏差参数，并将得到的权重参数及偏差参数进行固化，得到图像分析模型。

进一步的，所述卷积神经网络模型由第一卷积层、第一池化层、第二卷积层、第二池化层、第一Densenet模块、第二Densenet模块、第三卷积层、第四卷积层、第一全连接层及第二全连接层依次串联组成。

进一步的，所述第一卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为16，中间特征矩阵的尺寸为416×416，深度为16；

所述第一池化层卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为208×208，深度为16；

所述第二卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为32，中间特征矩阵的尺寸为208×208，深度为32；

所述第二池化层的卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为104×104，深度为32。

进一步的，所述第一densenet模块的中间特征矩阵的尺寸为104×104，深度为128；

所述第二densenet模块的中间特征矩阵的尺寸为104×104，深度为512；

所述第三卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为128；

所述第四卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为32。

本发明的有益效果在于：采用的卷积神经网络模型由1×1卷积层结构加densenet结构组合而成，可以有效提取新冠患者的肺部CT影像特征，提高识别准确率，同时，不至于网络的深度过深，解决了运算量需求过大的问题；加入densenet结构，避免梯度消失爆炸问题，有效提高模型的鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的机构获得其他的附图。

图1为本发明实施例的判断传染疾病发展的视觉检测方法流程图；

图2为本发明实施例的判断传染疾病发展的视觉检测装置框图；

图3为本发明实施例的卷积神经网络模型结构图；

图4为本发明实施例的Densenet模块结构图；

图5为本发明实施例的新冠患者的肺部CT影像图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请参阅图1，本发明的第一实施例为：一种判断传染疾病发展的视觉检测方法，包括以下步骤，

S10、获取预设数量的新冠患者的肺部CT影像及对应的结果标签，组成训练数据集，结果标签记录有新冠患者是否发展为重症患者的结果；

S20、将训练数据集输入预设的卷积神经网络模型进行监督式训练，得到图像分析模型，所述卷积神经网络模型由1×1卷积层结构加densenet结构组合而成；

S30、将待检测新冠患者的肺部CT影像输入到图像分析模型进行病情发展预测，得到待检测新冠患者发展为重症患者的概率。

进一步的，步骤S20中，对卷积神经网络模型进行监督式训练时，让卷积神经网络模型通过反向传播算法在训练数据集上学习并优化权重参数和偏差参数，并将得到的权重参数及偏差参数进行固化，得到图像分析模型。

其中，监督学习方法为标准的反向传播算法，常用的优化器包括RMSprop，Adam。训练周期为100Epoch,学习数率为0.001，Batchs ize为32。训练好的模型即为图像分析模型，可用于判断临床CT图像中患者发展成重症的概率。

进一步的，所述卷积神经网络模型由第一卷积层、第一池化层、第二卷积层、第二池化层、第一Densenet模块、第二Densenet模块、第三卷积层、第四卷积层、第一全连接层及第二全连接层依次串联组成。

进一步的，所述第一卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为16，中间特征矩阵的尺寸为416×416，深度为16；

所述第一池化层卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为208×208，深度为16；

所述第二卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为32，中间特征矩阵的尺寸为208×208，深度为32；

所述第二池化层的卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为104×104，深度为32。

进一步的，所述第一densenet模块的中间特征矩阵的尺寸为104×104，深度为128；

所述第二densenet模块的中间特征矩阵的尺寸为104×104，深度为512；

所述第三卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为128；

所述第四卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为32。

卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习神经网络，该网络的神经元通过响应一定覆盖范围的周围单元，有效进行空间关联的分析。因此卷积神经网络在图像识别方面能够取得优异的表现。卷积神经网络通常由卷积层，池化层，和全连接层组成。卷积层和池化层堆叠形成深度学习结构提取图像特征，全连接层对应经典的神经网络结构，用于输出最终的识别结果；这一结构使得卷积神经网络能够利用输入数据的二维结构。常用的卷积神经网络结构有AlexNet,VGG，ResNet,Inception，Densenet。本发明中对于这些经典的网络结构进行了分析，取各家之长，开发出一种本发明采用的网络结构，该网络结构：更轻便，减少了很多传统网络深度过深，运算量需求大的问题；大量采用1X1卷积层结构，可以更加有效的提取图像特征，提高识别准确率；加入densenet结构，避免梯度消失爆炸问题，有效提高模型的鲁棒性该网络的结构如图3所示。

其中，Conv指代卷积层，其中M X M/1中的M X M的卷积核的大小，1表示stride步长，fi l ter是指提取特征矩阵的深度，N X N X 1中的N X N表示表示中间特征矩阵的尺寸，最后一个表示深度。Maxpool指代池化层，其中参数定义与卷积层相同。Ful lyConnected Network指代全连接层，神经元数与输出层的数据量一致。

Densenet结构如图4所示：32X32表示feature map也就是中间输出层的尺寸，在本发明中为104X104，第三个数字代表提取特征的深度(也就是fi lter s ize。)

本发明的图像分析模型基于真实的临床数据进行开发和验证，总计获得326位患者，每位患者的数据，选择距离其入院日期最近的一次CT影像，提取了348个肺部区域影像特征；

如图5所示，从左到右依次为新冠患者的肺部的下部、中部和上部图。

326位患者中包含83位发展为重型的患者，224位直接治愈出院的患者，19位随访中断患者；因此有效数据307，其中将顺序打乱，随机取200图像作为训练数据，107作为测试数据。图像分析模型的识别准确率为92.5％。其中，对于发展为重症识别的准确率为87.5％，因此可有效辅助临床医生和医疗单位制定有效的应对策略。

如图2所示，本发明的第二实施例为：一种判断传染疾病发展的视觉检测装置，包括，

训练数据集获取模块10，获取预设数量的新冠患者的肺部CT影像及对应的结果标签，组成训练数据集，结果标签记录有新冠患者是否发展为重症患者的结果；

图像分析模型训练模块20，将训练数据集输入预设的卷积神经网络模型进行监督式训练，得到图像分析模型，所述卷积神经网络模型由1×1卷积层结构加densenet结构组合而成；

新冠患者病情预测模块30，用于将待检测新冠患者的肺部CT影像输入到图像分析模型进行病情发展预测，得到待检测新冠患者发展为重症患者的概率。

进一步的，所述图像分析模型训练模块20，用于对卷积神经网络模型进行监督式训练时，让卷积神经网络模型通过反向传播算法在训练数据集上学习并优化权重参数和偏差参数，并将得到的权重参数及偏差参数进行固化，得到图像分析模型。

进一步的，所述卷积神经网络模型由第一卷积层、第一池化层、第二卷积层、第二池化层、第一Densenet模块、第二Densenet模块、第三卷积层、第四卷积层、第一全连接层及第二全连接层依次串联组成。

进一步的，所述第一卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为16，中间特征矩阵的尺寸为416×416，深度为16；

所述第一池化层卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为208×208，深度为16；

所述第二卷积层的卷积核大小为3×3，步长为1，提取特征矩阵的深度为32，中间特征矩阵的尺寸为208×208，深度为32；

所述第二池化层的卷积核大小为2×2，步长为2，中间特征矩阵的尺寸为104×104，深度为32。

进一步的，所述第一densenet模块的中间特征矩阵的尺寸为104×104，深度为128；

所述第二densenet模块的中间特征矩阵的尺寸为104×104，深度为512；

所述第三卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为128；

所述第四卷积层的卷积核大小为1×1，步长为1，提取特征矩阵的深度为32。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述判断传染疾病发展的视觉检测装置的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。