[发明专利]一种基于深度学习的肺部CT图像识别方法

说明书

本发明涉及一种基于深度学习的肺部CT图像识别方法，属于图像处理技术领域。该方法包括以下步骤：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；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。本发明大大减少了训练所需的计算资源，同时提高了图像识别的精确度。

技术领域

本发明属于图像处理技术领域，涉及一种基于深度学习的肺部CT图像识别方法。

背景技术

为了减轻COVID-19的现有测试的效率低下和不足，已进行了许多努力来寻找替代测试方法。多项研究表明，计算机断层扫描(CT)扫描可清楚显示COVID-19患者的肺部影像学特征病灶。但是胸部CT包含数百张切片，重建CT图像，通过图像存档和通信系统传输以供读取诊断。病毒性肺炎或者细菌性肺炎的判断一般都是放射科医生在通信系统终端对影像进行简单处理、阅读或者通过读片灯投射阅读。医学影像诊断学中关于疾病类型判别是影像科或放射科医生判读临床经验的总结，这就要求放射科医生积累许多经验以实现高诊断性能，需要配置专业人员费时费力。

同时，COVID-19与其他各种类型的肺炎具有相似的医学影像特征，CT可以用于判断患者是否感染了病毒性肺炎(COVID-19是由SARS-CoV-2病毒引起的一种病毒性肺炎)。但是，无法确定是哪种病毒引起了病毒性肺炎：新型冠状病毒或其他，区分难度比较大，医生在过度工作的状况下光处理一人的上百张切片难免会造成识别的错误。为了能够准确快速地区别其他肺炎和COVID-19，促进临床实践的筛选过程，因此，亟需使用医学图像的AI辅助诊断。

目前，刘发明等人收集COVID-19患者和其他肺炎患者各90例的胸部CT图像，构建线性支持向量机(linear SVM)模型，对COVID-19患者和其他肺炎患者进行分类。该模型使用20次10折交叉验证进行训练和测试。分类准确度为87.56％，敏感度为82.78％，特异性为92.33％。Song等人提出了一种基于深度学习的CT诊断系统使用ResNet50，以从COVID-19患者、细菌性肺炎患者和健康人群中检测出COVID-19患者。将88例COVID-19患者，101例细菌性肺炎患者和86位健康人的胸部CT图像用作训练和测试数据，肺炎分类的准确度为86.0％(COVID-19或细菌性肺炎)，肺炎诊断的准确度为94.0％(COVID-19或健康)。Zhang等人使用了来自260例患者的40880张CT影像切片，包括83例NCP患者，91例其他肺炎患者和86例正常人，系统能够以92.49％的准确度，94.93％的灵敏度，91.13％的特异性，AUC值为0.98。

以上的数据都是使用大型数据集在CNN网络中进行训练，Dosovitskiy提出的Vision Transformers(ViT)，经结果表明大规模数据集训练克服了CNN具有的归纳偏差的优势，使得它们的模型在给定足够大量的训练数据的情况下，能够与基于CNN的体系结构相竞争。但是，上述方法存在对医学影像大型数据的依赖和训练后模型较大的问题，因此亟需一种使用小型数据集训练的肺部CT图像识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的肺部CT图像识别方法，使用二级级联网络(U-Net和CCT)，既能在使用小型数据集训练的情况下基本达到CNN和ViT的精度，通过一种新颖的序列合并策略和卷积的使用，消除了ViT对类标记和位置嵌入的需求；并且大大减少了训练所需的计算资源，同时提高了图像识别的精确度。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习的肺部CT图像识别方法，具体包括以下步骤：

S1：获取原始肺部CT图像数据集；