[发明专利]基于多信息样本类自适应分类网络的COVID-19识别方法

权利要求书

1.基于多信息样本类自适应分类网络的COVID-19识别方法，其特征在于，所述方法以个人的胸部X光影像和个人经历数据为输入，采用多信息样本类自适应分类网络对COVID-19进行自动识别、检测，所述多信息样本类自适应分类网络包括医学影像分析单元、个人经历分析单元和分类器，所述方法包括以下步骤：

步骤1：收集不同数据源的不同类别的人体胸部X光影像以及对应的个人经历数据，对其进行分类后，制作成原始数据集；

步骤2：对原始数据集进行数据清洗，对其中的X光影像进行特征增强后，提取X光影像的肺部区域，得到肺部区域数据集；

步骤3：整理肺部区域数据集和处理后的个人经历数据形成目标数据集；

步骤4：利用目标数据集对多信息样本类自适应分类网络进行训练；

步骤5：将待识别的人体胸部X光影像和对应的个人经历数据输入训练好的多信息样本类自适应分类网络，得到COVID-19的识别结果。

2.根据权利要求1所述的COVID-19识别方法，其特征在于，步骤2中，采用轻量级特征提取网络对X光影像的肺部区域进行提取，轻量级特征提取网络包括轻量级卷积模块，轻量级卷积模块包括卷积分支、同等映射分支以及Concat连接层和混洗层。

3.根据权利要求2所述的COVID-19识别方法，其特征在于，轻量级特征提取网络包括轻量级卷积模块a；

轻量级卷积模块a包括卷积分支和同等映射分支，其中卷积分支对输入做同等映射，同等映射分支包括依次连接的第一压缩卷积层、第一扩展卷积层、深度表征卷积层、第二压缩卷积层、第二扩展卷积层；

第一压缩卷积层用于将输入特征投影到更低维度；

第一扩展卷积层用于将特征扩展到与输入特征不同的更高维度；

深度表征卷积层采用3×3深度可分离卷积学习空间特征，最小化计算复杂性；

第二压缩卷积层用于将将特征投影回更低维度；

第二扩展卷积层用于扩展通道维度到更高的维度；

卷积分支、同等映射分支的末端均与Concat连接层连接，Concat连接层与通道混洗层连接。

4.根据权利要求2所述的COVID-19识别方法，其特征在于，轻量级特征提取网络还包括轻量级卷积模块b；

轻量级卷积模块b包括第一卷积分支和第二卷积分支，第二卷积分支包括步长为2的3×3深度可分离卷积层和1×1卷积层，

第一卷积分支依次连接的第一压缩卷积层、第一扩展卷积层、深度表征卷积层、第二压缩卷积层、第二扩展卷积层；

第一压缩卷积层用于将输入特征投影到更低维度；

第一扩展卷积层用于将特征扩展到与输入特征不同的更高维度；

深度表征卷积层采用步长为2的3×3深度可分离卷积进行下采样；

第二压缩卷积层用于将特征投影回更低维度；

第二扩展卷积层用于扩展通道维度到更高的维度；

第一卷积分支、第二卷积分支通过Concat连接层进行通道拼接后与通道混洗层连接。

5.根据权利要求1所述的COVID-19识别方法，其特征在于，步骤4中，采用动态类均衡采样方法将目标数据集输入到医学影像分析单元和个人经历分析单元进行训练，不同类的数据样本送入网络训练的概率的计算式如下：

式中P_j(t)表示动态类均衡时第j类样本被抽中送入网络训练的概率，t为当前训练的轮次，T为总的训练轮数，n_j表示是类别j的样本数量，C表示数据集的类别数量。

6.根据权利要求1所述的COVID-19识别方法，其特征在于，所述医学影像分析单元的网络采用ResNet50。

7.根据权利要求1所述的COVID-19识别方法，其特征在于，所述个人经历分析单元包括BiLSTM网络和Text-CNN网络，个人经历分析单元的输入包括个人近期健康状态、旅游史、居住史以及密切接触史的文本数据，BiLSTM网络用于提取文本的语义语法信息；Text-CNN网络用于提取特征。