[发明专利]一种基于注意力机制和迁移学习的COVID-19深度学习诊断系统

说明书

本发明公开了一种基于注意力机制和迁移学习的COVID‑19深度学习诊断系统，包括数据收集与存储模块，构建动态数据库用于存储和动态更新肺CT样本；数据预处理模块，将预处理后的肺CT样本导入缓冲数据库作为神经网络的输入数据源；深度学习神经网络模型构造模块，将迁移学习与预训练的深度卷积神经网络、注意力机制结合；模型训练与验证，按比例将CT图像样本随机分配到训练数据集和测试数据集中；模型诊断预测，将独立于训练集和测试集中的第三方CT图像输入到保存好的模型中。本发明提供的基于注意力机制和迁移学习的COVID‑19深度学习诊断系统，能够将深度学习技术应用于COVID‑19早期的辅助诊断，省时省力且大大提高了诊断效率。

技术领域

本发明属于医学图像处理领域，涉及一种基于注意力机制和深度迁移学习的COVID-19早期辅助诊断系统。

背景技术

COVID-19的早期诊断途径主要有两种，一种基于核酸检测，另一种基于医学影像识别。虽然核酸检测应用普遍，但是其基于逆转录聚合酶链反应原理检测特定核酸序列，实时性较差且对初始阶段的病毒识别敏感性较低，存在明显的漏诊隐患。相比之下，肺CT等医学影像识别方式具有实时性高、敏感性好、不易漏诊等优点。

在当前全球COVID-19疫情确诊人数持续快速增长的形势下，传统的CT图像人工判读的方式由于耗时费力、效率低下，已无法满足对COVID-19识别的快速响应需求。近年来，以卷积神经网络为代表的深度学习算法在图像识别和分类任务中取得了巨大的成功。本技术方案探究如何将深度学习技术应用于COVID-19早期的辅助诊断，以便能够省时省力，提高效率。

发明内容

本发明的目的在于提供一种基于注意力机制和迁移学习的COVID-19深度学习诊断系统，解决了如何将深度学习技术应用于COVID-19早期的辅助诊断的技术问题，省时省力且大大提高了诊断效率。

一种基于注意力机制和迁移学习的COVID-19深度学习诊断系统，其特征在于，包括数据收集与存储模块，通过多渠道收集肺CT样本，构建动态数据库用于存储和动态更新肺CT样本；

数据预处理模块，对所有肺CT样本进行标准化操作，并建立缓冲数据库，将预处理后的样本导入缓冲数据库作为神经网络的输入数据源；

深度学习神经网络模型构造模块，通过引入迁移学习技术，并将迁移学习与预训练的深度卷积神经网络相结合，最后在预训练网络的基础上再引入注意力机制；

模型训练与验证，按比例将CT图像样本随机分配到训练数据集和测试数据集中，训练数据集中的样本负责模型的训练，测试数据集中的样本负责模型的验证；

模型诊断预测，将独立于训练集和测试集中的第三方CT图像输入到保存好的模型中，模型即可输出对该CT样本的诊断结果。

所述数据预处理模块的运行步骤包括：

（1）将CT样本像素重组，即提取不同数据源CT样本图像像素，转换成像素矩阵，随后对样本像素矩阵规格进行统一，像素规格统一后，对像素大小进行归一化操作，最后再将处理后的像素矩阵转化为CT图像样本；

（2）对CT样本进行初步筛选，即将上述处理后的CT样本分为两类，一类是COVID-19阳性，一类是COVID-19阴性，对COVID-19阳性样本建立“Positive”标签，对COVID-19阴性样本建立“Normal”标签；

（3）对CT样本扩展，即应用数据增强技术对样本进行扩展来生成更多样本；

（4）建立缓冲数据库，即将上述预处理后的样本导入缓冲数据库，作为神经网络的输入数据源。

所述深度学习神经网络模型构造模块的运行步骤包括：

（1）引入迁移学习技术，将迁移学习与预训练的深度卷积神经网络相结合，通过在网络中使用微调策略对重构的迁移网络进行微调以克服不同数据域之间的差异性；