[发明专利]基于DenseNet的COVID-19患者的CT影像分类方法及装置

说明书

本发明提供了一种基于DenseNet的COVID‑19患者的CT影像分类方法及装置，用于根据COVID‑19疑似患者的计算机断层扫描图像进行分类得到分类结果，其特征在于，包括如下步骤：存储医疗影像信息；利用预处理方法进行预处理得到预处理数据；利用训练好的密集连接神经网络模型从预处理数据中获取深层信息以及浅层信息并进行融合得到融合特征向量；使用激活函数将融合特征向量映射到低维空间得到分类概率预测值；基于密集连接神经网络模型的内部参数以及计算机断层扫描图像获得CAM激活图；显示计算机断层扫描图像、分类概率预测值以及CAM激活图从而辅助医生进行诊断。本发明的方法及装置适用于疫情地区的早期筛查阶段，不仅能改善核算检测假阴性过高的问题，还能提高诊断效率。

技术领域

本发明具体涉及一种基于DenseNet的COVID-19患者的CT影像分类方法及装置。

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。然而，由于核酸(RT-PCR)试剂盒供应有限以及假阴性病例的出现，一些专家针对上述问题提出了通过诊断更快速的胸部计算机断层扫描(CT)来诊断疑似病例的方法，而该方法的依据为典型的临床症状、流行病学史和积极的CT图像可以用来准确地识别疑似患者。因此，如何快速、准确地从大量CT图像中识别出阳性CT图像，尤其是针对疑似病人较多的疫区而言，提高COVID-19CT图像识别速率以及准确率是一个亟待解决的问题。

传统的图像分类方法是先通过提取图像中的部分信息再结合分类器进行分类，例如基于算子的特征提取方法结合机器学习分类器进行分类。由于传统的图像分类方法只能提取图像中的部分信息，从而造成图像特征的流失，进而导致分类结果不理想，整体表现性能不佳，无法应用在对准确率要求较高的关于COVID-19诊断的CT图像识别任务中。

近年来，深度学习(Deep Learning,DL)已被证明是一种相较于传统的图像分类方法而言更加有效的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，该方法在肺部影像数据库(Lung Image Database Consortium，LIDC)上的测试结果表明，改进后的卷积神经网络在分类问题上具有更好的表现。除此之外，DL也被广泛应用于肺结节的自动检测与诊断等任务中。

然而，对于利用深度学习解决计算机断层扫描图像识别问题这一过程进行相关研究后发现，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，例如包括断层扫描图像基本大小和灰度的浅层信息以及包括断层扫描图像的边缘、纹路的深层次信息，从而导致普通的CNN在计算机断层扫描图像识别任务中表现不佳，进而导致相关应用难以落地，无法解决实际中的关于COVID-19诊断的CT图像识别问题。

发明内容

为解决上述问题，提供一种利用DenseNet深度挖掘CT影像中的浅层信息以及深层信息的提高COVID-19CT图像识别速率以及准确率的影像分类方法，本发明采用了如下技术方案：