[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

说明书

本发明公开了新冠肺炎的集成学习定级方法，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；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。本发明搭建的集成学习框架采用有序回归正则，结合新冠肺炎定级数据间的有序结构，可以学习数据间的有序结构，提高模型性能，防止模型预测出现大偏差，使数据结果输出更准确。

技术领域

本发明涉及数据处理技术，尤其涉及新冠肺炎的集成学习定级方法、电子设备及存储介质。

背景技术

新冠肺炎主要困难在于难以检测，核酸检测是目前患者确诊的最重要依据，此时，有效的临床指针和经验成为重要的参考指标。胸部CT是诊断肺炎的常规工具，检查速度快，影像可用于肺炎病变检出、性质判断、累及范围和诊疗评价等多方面用途。同时，这次新冠肺炎，肺部感染变化很快，在影像上主要表现为外带分布、多叶段、磨玻璃间质性改变，两三天就出现变化。有研究显示，胸部CT对新冠肺炎感染辨识的灵敏度为98％。目前存在的问题是对于胸部CT全部需要人工识别，医务工作人员劳动量巨大，影响检测效率。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供新冠肺炎的集成学习定级方法，其能解决现有技术依赖人工对CT数据进行查看的问题。

本发明的目的之二在于提供一种电子设备，其能解决现有技术依赖人工对CT数据进行查看的问题。

本发明的目的之三在于提供一种存储介质，其能解决现有技术依赖人工对CT数据进行查看的问题。

本发明的目的之一采用以下技术方案实现：

新冠肺炎的集成学习定级方法，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。

优选的，所述CT数据包括图像格式和像素值。

优选的，所述图像格式为DCM格式。

优选的，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。

优选的，将CT数据的范围调整为窗位为-300HU、窗宽为1400HU的肺窗数据。

优选的，对所述肺窗数据进行归一化处理。

优选的，“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；