[发明专利]一种基于时序高维特征提取的多肺炎CT分类方法及装置

说明书

本发明提供了一种基于时序高维特征提取的多肺炎CT分类方法及装置，用于针对疑似患者CT影像进行分类，从而得到分类结果，其特征在于，对疑似患者CT影像进行预处理得到预处理影像，并利用肺炎分类模型对进行推断得到分类结果。其中，肺炎分类模型包括一阶段单张切片特征提取网络以及二阶段跨切片特征提取网络，一阶段单张切片特征提取网络对预处理影像进行特征提取，得到预处理影像中每张切片对应的特征图作为单张切片特征图，二阶段跨切片特征提取网络先从所有单张切片特征图中提取得到时序上下文融合特征，然后进行感受野增强，从而得到跨切片特征图，最后基于该跨切片特征图进行推断得到CAM激活图结果以及分类概率预测值。

技术领域

本发明属于数据识别技术领域，具体涉及一种基于时序高维特征提取的多肺炎CT分类方法及装置。

背景技术

目前，COVID-19患者主要通过PCR (RT-PCR)检测SARS-CoV-2核酸进行诊断。但是，由于核酸(RT-PCR)试剂盒供应有限以及假阴性病例的出现，一些专家提出了使用更加快速的胸部计算机断层扫描(CT)来诊断疑似病例的方法。

典型的临床症状、流行病学史和积极的CT图像是用来识别疑似患者的重要指标。而如何快速、准确地从大量CT图像中识别出阳性CT图像（尤其是分辨出肺炎的具体类别），进而快速并准确地确定治疗方案，是一个亟待解决的问题。

传统的解决方案，如一些基于算子的特征提取方法结合机器学习分类器进行分类，在图像领域表现不佳，其根本原因是传统方法只能提取图像中的一部分信息，不可避免地造成了图像特征的流失，从而使得训练得到的模型无法完全学习到图像中的有效特征，造成病灶的分类结果不理想。

近年来，深度学习(Deep Learning, DL)已被证明是一种有效的CT图像分类方法，可以对常见肺部疾病的影像学特征进行分类，在肺部影像数据库(Lung Image DatabaseConsortium，LIDC)的测试结果表明，改进后的卷积神经网络在分类问题上表现得更好。除此之外，DL已广泛应用于肺结节的自动检测与诊断任务等。

然而，基于计算机断层扫描图像识别问题的研究结果表明，普通的卷积神经网络难以提取医疗影像中的不同层次信息，由于断层扫描的图像特征既包括基本大小和灰度等浅层信息，也包括边缘、纹路等深层次信息，因此一部分CNN在医疗影像上表现不佳，难以形成落地应用。同时，由于计算机断层扫描影像拥有体积化的特征，而切片级别的网络难以挖掘3D上下文信息，造成一定的特征丢失，进而无法获得较为理想的分类结果。

发明内容

为解决上述问题，提供一种基于时序高维特征提取的多肺炎CT分类方法，本发明采用了如下技术方案：

本发明提供了一种基于时序高维特征提取的多肺炎CT分类方法，用于针对疑似患者CT影像进行分类，从而得到分类结果，其特征在于，包括如下步骤：步骤S1，根据脱敏后的临床肺部CT影像的数据特点，构建数据调用模型，并将该数据调用模型接入医院PACS系统中；步骤S2，利用数据调用模型从医院PACS系统中提取出肺部CT影像以及病人的健康状况标签，并作为训练数据；步骤S3，对训练数据进行预处理得到预处理数据，并输入预先搭建好的时序高维特征提取神经网络进行训练，从而得到训练好的时序高维特征提取神经网络模型作为肺炎分类模型；步骤S4，对疑似患者CT影像进行预处理得到预处理影像，并利用肺炎分类模型对预处理影像进行推断得到CAM激活图结果以及分类概率预测值，作为分类结果从而辅助医生进行快速与准确地诊断，其中，肺炎分类模型包括一阶段单张切片特征提取网络以及二阶段跨切片特征提取网络，一阶段单张切片特征提取网络对预处理影像进行特征提取，从而得到预处理影像中每张切片对应的特征图，作为单张切片特征图，二阶段跨切片特征提取网络先从所有单张切片特征图中提取得到对应的时序上下文融合特征，然后基于时序上下文融合特征进行感受野增强，从而得到跨切片特征图，最后基于该跨切片特征图进行推断得到CAM激活图结果以及分类概率预测值。