[发明专利]一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统

权利要求书

1.一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于：所述系统包括的智能步骤为：

S1：一种基于胸部X射线图像显示使用一种新型图像分类技术区分新冠肺炎肺部图像：

所使用的技术是：CoAtNet；

S2：构建特征学习网络：

使用Tansformers网络作为特征提取；

S3：构建特征对比：

我们建立数据集，将所提取的数据进行各种实验，使用提取的特征计算数据实例的相似度矩阵，并构建融合相似度矩阵和元数据信息的图；

S4：构建样本分类：

在构建的图上采用CoAtNet来学习图结构和高级特征，以将数据样本分类到适当的类中。

2.根据权利要求 1所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，所述深度学习算法CoAtNet的步骤：

步骤一、将胸部X射线图像编码为特征向量；

步骤二、构建融合特征向量和患者元数据信息的图；

步骤三、应用CoAtNet的高级特征，最终将图的节点分类为不同的类别。

3.如权利要求1所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统还包括CoAtNet的学习，步骤如下：

步骤一：深度卷积即泛化性，指模型经过训练后，应用到新数据并做出准确预测的能力；

步骤二：自注意力，将卷积所提供信息载入模型容量中开始适应各种功能；

之后我们将步骤一与步骤二相结合组成CoAtNet构建。

4.根据权利要求1所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于：所述筛查系统要素包括：数据分析、Tansformers编码器萃取和胸部X射线图的特征表现。

5.根据权利要求3所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，CoAtNet的学习由于是一个结合过程，因此在步骤一中卷积有一个固定的卷积核，从局部感受野中获取信息，公式如下：

（1）

其中X_j，Y_i 分别是i位置的输入和输出，表示i的相邻区域，即中心点为i的3*3网络。

6.根据权利要求3所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，CoAtNet的学习步骤二中自注意力感受野涵盖所有空间位置，根据对点（）的归一化后的相似度计算权值：

其中g代表全局位置空间。

7.根据权利要求5~6所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，根据步骤一与步骤二的公式我们将全局静态卷积核和自注意力矩阵相加，在指数归一化和之后得出：

。

8.根据权利要求7所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，CoAtNet的最后一步算法是将学习到的每个节点的高级特征向量通过一个指数归一化层转发，最终预测分类中不同类的概率。

9.根据权利要求4所述的一种基于深度学习算法的新冠肺炎假阴性人工智能辅助筛查系统，其特征在于，所述内容步骤如下：

步骤一、使用Transformers编码器来提取胸部X射线数据集中所有样本的特征；

步骤二、使用提取的特征计算数据实例的相似度矩阵，并构建融合相似度矩阵和元数据信息的图；

步骤三、使用CoAtNet将数据与图结合诊断新型冠状病毒19并将新型冠状病毒19肺炎模式与正常肺部模式区分开来。