[发明专利]一种基于注意力引导的COVID-19早筛和严重程度评估方法和系统

说明书

本发明公开了一种基于CT的注意力引导COVID‑19早筛和严重程度评估方法和系统。包括：对早筛和病变评估数据集中CT图像进行预处理；构建基于CT的COVID‑19早筛模型和严重程度评估模型，所述COVID‑19早筛模型和严重程度评估模型均包括特征提取模块、特征融合模块、分类模块三个部分；利用预处理后的早筛和病变评估数据集分别训练COVID‑19早筛模型和严重程度评估模型；对测试CT图像进行步骤1的预处理，然后输入到训练好的COVID‑19早筛模型，若检测为新冠，则输入到训练好的严重程度评估模型，评估新冠的严重程度。本发明在一定程度上降低了模型直接学习两个任务的复杂性，缓解了医学图像可用数据量少的问题，进一步提高了早筛和严重评估的精度。

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种基于CT的注意力引导的COVID-19早筛和严重程度评估方法和系统。

背景技术

COVID-19有着多个特点使得其难以控制：1)COVID-19是高度传染性的，可以通过直接传播，气溶胶传播和接触传播。一个新冠病人的传播力在3到4之间，面对着新冠病人的快速增长，任何国家的医疗系统都将会承受巨大的压力。2)医生几乎不可能仅通过临床特征(例如发烧，干咳和呼吸困难)将感染COVID-19的患者与由流感病毒，支原体，衣原体，呼吸道合胞病毒，细菌引起的间质性肺炎相区别。并且存在很多的无症状感染者。3)如果发生细胞因子风暴，病情将快速恶化。现有的人工病变评估的方式很难实时，这使得COVID-19病人很难被及时治疗。

事实上，核酸检测是目前公认的鉴别COVID-19的金标准。但是，核酸检测却有着检测耗时和假阴性高的缺点。与之相比，CT则是一个受欢迎的，利用其详细的放射学表现，评估肺部疾病的模态,且COVID-19病人在肺部的CT影像上有着相应的放射学表现，所以利用CT的可快速获取的特点，进行COVID-19的早筛和病变评估，对于切断病毒传播链，降低病人的致死率有着重要的意义。

随着计算机技术和人工智能的飞速发展，包括器官分割和图像增强与修复在内的各项数字图像处理技术已在医学领域得到广泛应用。其中，卷积神经网络等深度学习技术具有强大的非线性建模能力，在医学图像处理中也有广泛的应用，这些都为对抗COVID-19做出了积极贡献。与高度依赖人工的传统成像工作流程相比，人工智能可提供更安全，更准确和更高效的成像解决方案。

在此背景下，利用人工智能技术，开发智能化的COVID-19早筛和病变评估系统，优化诊断工作流程，减轻医生负担，提升COVID-19筛查和病变评估的效率和敏感性，进而帮助控制病毒的传播和改善疾病的治疗水平尤为重要。

但是在COVID-19的筛查和病变评估时，仍面临有诸多挑战1)如何智能化的快速筛查新冠疑似病人尽早隔离，打断新冠传播链。这对算法的效率、敏感性和特异性提出了很高的要求。2)怎样及时评估感染病人的病变程度，帮助医生快速判断病人的病变程度，这将能够帮助病人获得更好的治疗，降低病人的致死率。3)如何提高模型的可解释性。4)如何在疫情爆发初期，大量数据难以获取时，快速准确的构建早筛和严重程度评估系统。

发明内容

针对现有技术存在的不足，本发明提供了一种高精度、高效率的基于CT的注意力引导的COVID-19早筛和病变评估框架。

该发明主要针对于新冠肺炎早筛和病变评估中面临的技术挑战开发，针对于疫情爆发初中期，CT数据很难获取到足量的训练样本，而仅有少量样本的问题，我们开发了一种可适用于少样本的新冠早筛和病变评估模型。该模型针对于少样本的问题，进行了一系列的设计，(1)首先为了减小模型的复杂性和参数量，进而减轻模型的过拟合，我们选择设计2D网络而非3D网络用于CT影像特征的提取，(2)在设计2D网络的过程中为了能够减少模型对于训练样本的需求量，我们采用迁移学习的思想，设计了可充分利用预训练权重的2D网络减少了对样本的需求量(3)利用设计的权重共享的2D网络，滑动提取CT切片的特征，权重共享的设计也减少了网络的参数，减弱了模型的过拟合现象。