[发明专利]一种基于胶囊网络和注意力机制的COVID-19病人识别方法

说明书

本文提出一种基于胶囊网络和注意力机制的COVID‑19病人检测方法。该方法的步骤主要是：首先对经典U‑net网络结构的进行CT中的肺部区域分割能力进行训练，训练成功后使用该网络进行肺部区域分割；通过建立搭建基于胶囊网络的切片级特征提取网络，提取病人CT切片的初级特征图；根据提取到的特征图，使用注意力机制进行关键程度判断，对关键片进行注意增强，抑制不关键信息的注意力，提取更加有效的最终特征信息；得到最终特征信息后，通过使用组合最大池化采样和平均池化采样来得到降维特征信息；得到降维后的特征信息之后，再使用神经网络结构进行类别判断。本文的方法在305个病人的CT图像上进行了实验，实验结果表明，与一些先进的方法，所提出的方法具有很高的性能，准确程度达到了96.3%。

技术领域

本发明涉及医学图像数字化处理技术领域，具体涉及一种基于胶囊网络和注意力机制的CT图像识别方法。

背景技术

由严重急性呼吸系统综合征冠状病毒2(SARS-CoV-2)引发的新型冠状病毒COVID-19 在过去两年已经成为全球流行病毒[1-2]。

逆转录聚合酶链反应(RTPCR)已成为COVID-19[4]诊断的最快方法。但其缺点是假阴性的可能性大，不利于COVID-19的早期诊断。近年来，CT (Computed Tomography)图像在COVID-19的诊断中发挥着至关重要的作用[6-7]，因为已有研究报道胸部CT扫描出现典型的COVID-19症状，但RTPCR结果为阴性[8]。然而，很难从大量的CT切片中准确提取出COVID-19。因为，很多其他肺部疾病也有类似的病变特征，因此，新冠肺炎的诊断需要经验丰富的专业医生花费大量时间进行扫描确认。因此，迫切需要找到一种有效、准确、快速的诊断工具。

目前，基于AI的模型在医学影像分析领域取得了显著的成功，特别是在COVID-19检测方面。大量文献[9-16]表明，医学扫描图像自动诊断COVID-19具有很大的发展潜力。最近，Heidarian[17]提出了一种基于3D cnn的CT- caps网络，该网络通过胶囊网络从3D CT中提取特征，并使用最大池化采样方法得到最后的特征图。然后将特征图输入到全连接层进行病例分类。然而，利用CT- caps网络对COVID-19图像进行诊断还存在下面一些问题。

(1)当前胶囊网络仅对每片进行隔离处理。当COVID-19患者有多个轻微病变区域，而每个病变区域分散在不同的CT片上时，胶囊网络无法从所有的CT片中识别出最关键、最具代表性的切片，从而错误地从低值切片中提取特征。这将最终导致有病理变化的患者在COVID-19检测中被遗漏。

(2)目前的特征图采样方法是最大池化，只关注最活跃的局部信息，直接丢弃其他信息。对于多病变区域的患者，活动信息仅代表部分病变区域。丢弃大量的信息在一定程度上导致了错误分类。

发明内容

本发明的目的在于提出一种基于胶囊网络和注意力机制识别COVID-19病人的方法，以解决现有的卷积神经网络对存在多个病变区域的病人的识别能力有限的问题。

本发明提供了一种基于胶囊网络和注意力机制识别COVID-19病人的方法，方法包括以下内容：

S1：获取待识别的病人CT图像并使用预先训练好的U-net模型进行肺部区域分割；

S2：通过预先训练好的基于胶囊网络和注意力机制的模型的特征提取网络，提取所述待提取医学图像中的关键肺部特征信息；

S3：根据所识别的关键肺部特征信息，对该特征信息进行组合池化得到降维特征图，在对降维特征图分析与识别，最终得到肺部CT图像识别的结果。

进一步的，所述步骤S1预处理待识别的光学乐谱图像包括以下具体步骤：

获取待识别医学图像的三维图像数据；

根据一个预先训练好的U-net模型，去除图像中的不重要区域和残影区域，再进行标准化和尺寸调整。

进一步地，所述步骤S2的具体内容如下所示：