[发明专利]一种基于深度学习的肺部CT图像识别方法

权利要求书

1.一种基于深度学习的肺部CT图像识别方法，其特征在于，该方法具体包括以下步骤：

S1：获取原始肺部CT图像数据集；

S2：使用改进的U-Net网络对原始肺部CT图像数据集进分割，其中改进的U-Net网络使用Focal Loss作为损失函数提高肺区分割能力；

S3：使用分割后的肺部CT图像作为训练集和测试集，将训练集输入CCT网络进行训练；其中，CCT网络是紧凑型卷积Transformers网络；

S4：将测试集输入至训练好的CCT网络，输出病症类别的概率值，通过概率值确认检测患者的肺部CT图像类别。

2.根据权利要求1所述的肺部CT图像识别方法，其特征在于，步骤S1中，获取的原始肺部CT图像数据集，包括病毒性肺炎患者、细菌性肺炎患者和正常人的肺部CT图像，数量比例为1:1:1。

3.根据权利要求1所述的肺部CT图像识别方法，其特征在于，步骤S2中，改进的U-Net网络结构包括：下采样、上采样以及跳跃连接三部分；首先将该网络分为左右部分来分析，左边是压缩的过程，即编码器；解码器采用4组卷积，每一组包含步幅分别为1和2的两个上采样层，卷积核尺寸全为3×3，输出通道数分别为1、64、128、256、512、1024，得到网络每一层的输出尺寸为568、280、136、64、28；右边部分是解码的过程，即解码器；其中卷积采用valid的填充方式；中间通过连接的方式，将编码阶段获得的特征图同解码阶段获得的特征图结合在一起，结合深层次和浅层次的特征，细化图像，根据得到的特征图进行预测分割；最后一层通过1×1的卷积做分类。

4.根据权利要求1所述的肺部CT图像识别方法，其特征在于，步骤S2中，使用的FocalLoss损失函数，表达式为：

其中，FL表示肺区的分割损失，α为平衡正负样本的数量，γ表示调焦参数，p表示样本的预测概率值。

5.根据权利要求1所述的肺部CT图像识别方法，其特征在于，步骤S3中，所述CCT网络由小跨度的卷积组成，允许有效的标记化并保持局部空间关系；在网络模型中引入感应偏置，使用一个卷积模块代替ViT中的“Image Patching”和“Embedding”层，卷积模块包括单个卷积层、RELU激活和最大池操作；编码器由Transformers块组成，每个Transformer块包括一个多头注意力机制和多层感知器；在添加位置嵌入后应用层范数；Transformers编码器使用层归一化、GELU激活和dropout；使用Sequence Pooling将顺序输出映射到单个类别索引；将跨序列汇集Transformers主干的输出。