[发明专利]新冠肺炎的集成学习定级方法、电子设备及存储介质

权利要求书

1.新冠肺炎的集成学习定级方法，其特征在于，包括如下步骤：

获取若干患者的CT数据并对CT数据预处理，以生成设定格式的肺窗数据；

输入肺炎病症定级参数，构建基于有序回归残差网络的集成学习框架；

将肺窗数据输入至集成学习框架中训练，以输出一训练模型；

输入新的CT数据至训练模型中，以输出所述CT数据对应的肺炎病症定级结果；

“构建基于有序回归残差网络的集成学习框架”具体为：

构建3DResNet34网络，该3DResNet34网络具有结尾特征层，且所述3DResNet34网络的损失函数为交叉熵损失；

在所述3DResNet34网络的结尾特征层添加有序回归正则以形成有序回归学习框架；所述有序回归正则的损失函数为绝对值损失；

在所述的有序回归学习框架的基础上，对模型进行集成，提取数据的宏观特征，并将该特征与有序回归学习框架所提取的特征进行特征融合，并对融合后的特征作XGBoosting。

2.如权利要求1所述的集成学习定级方法，其特征在于，所述CT数据包括图像格式和像素值。

3.如权利要求2所述的集成学习定级方法，其特征在于，所述图像格式为DCM格式。

4.如权利要求2所述的集成学习定级方法，其特征在于，所述预处理为通过公式HU＝SLOPE*PIXEL+INTERCEPT将CT数据的数像素值转换为CT的HU值，其中SLOPE为CT数据的缩放斜率，PIXEL为像素值，INTERCEPT为CT数据的缩放截距。

5.如权利要求4所述的集成学习定级方法，其特征在于，将CT数据的范围调整为窗位为-300HU、窗宽为1400HU的肺窗数据。

6.如权利要求5所述的集成学习定级方法，其特征在于，对所述肺窗数据进行归一化处理。

7.如权利要求1所述的集成学习定级方法，其特征在于，所述集成学习框架的损失定义为：Loss＝(1-λ)CrossEntropyLoss+λL1Loss，其中，Loss为集成学习框架的损失；λ为常量参数，且0λ1；CrossEntropyLoss为交叉熵损失，L1Loss为有序回归正则的绝对值损失。

8.一种电子设备，其上存储有存储器、处理器以及存储在存储器中并可被处理器执行的计算机可读程序，其特征在于，所述计算机可读程序被处理器处理时，实现如权利要求1-7任一项所述的集成学习定级方法。

9.一种存储介质，其上存储有可被处理器执行的计算机可读程序，其特征在于，所述计算机可读程序被处理器处理时，实现如权利要求1-7任一项所述的集成学习定级方法。