一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查系统发明专利.pdfVIP

一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查系统 技术领域 本发明属于医学技术领域，具体涉及一种基于深度学习的新冠肺炎筛查方法及新 冠肺炎筛查系统。 背景技术 在新型冠状肺炎(COVID-19)的早期筛查中，目前主要借助于试剂盒进行检测，但 是其检出率偏低，为了提高COVID-19 的早期筛查检出率，需要采用一些其他的辅助 CT 方法进行判断，例如 影像判断方法等。 现有技术中已有一些肺部病变组织的检测方法，例如公开号CN110599448A 的 专利文献公开了一种基于MaskScoring R-CNN 网络的迁移学习肺部病变组织检测系 CT mask 统，其输入待检测的肺部 影像，网络输出得到识别之后的图像，框出并掩膜 识别到的病变组织，并标注出病变的类别。但其训练的时候，需要对病变区域的掩膜 进行计算，需要耗费大量的资源进行打标，操作较为繁琐，因此对于提高COVID-19 的早期筛查检出率来说，上述方法不适用于对于新型冠状肺炎(COVID-19)的检测。 发明内容 本发明提供了一种基于深度学习的新冠肺炎筛查方法，对甲型流感、新冠以及正 CT 常 进行鉴别，操作方便，并输出整体感染概率，辅助医生诊断。 本发明的技术方案为：一种基于深度学习的新冠肺炎筛查方法，包括以下步骤： S1、提取肺部有效区域的掩膜； S2、利用提取出的掩膜分割出肺部的有效区域，减少无关区域的影响，并将原始 CT Hu 的 值归一化； S3 3D 、使用 卷积神经网络分割出肺部病变区域，输出病变区域的位置信息，包 (x,y,z) d 括中心点的坐标 以及病变区域的直径 ； S4、检测出病变区域位置中间层的二维病变区域图像，同时获取其上下紧邻的图 像，即总共获取三张图像； S5、将分类后的图像送入二维的分类网络，进行训练，判断其为COVID-19、甲 型流感或正常； S6 S4 、使用训练好的模型将步骤 中切割出的图像进行预测，输出其分类及分类 概率； S7、对每个病变区域分割出的三张图像，计算出单个病变区域的分类及其概率； S8 S7 、对步骤 得到的单个病变区的分类及其概率进行计算处理，输出单个病人 的整体患病类型和概率。 CT 本发明利用深度学习技术对病人的 影像进行判断，自动学习其影像特征，来 CT 区别甲型流感和健康人群。本发明首先利用深度学习检测模型对 的肺部病变区域 进行检测，再将其送入三分类网络，三分类包括COVID-19、甲型流感和无感染症状。 CT 然后通过计算处理，输出 的诊断结果以及患病概率。 S2 CT Hu 0 255 作为优选，所述步骤 中将原始 的 值归一化到 ～ 。 S7 noisy-or 作为优选，所述步骤 中利用贝叶斯 模型计算得到单个病变区域的分 类及其概率。 S8 S7 作为优选，所述步骤 中对步骤 得到的单个病变区的分类及其概率利用贝叶 斯noisy-or模型计算，输出单个病人的整体患病类型和概率。 本发明还提供了一种基于web界面的新冠肺炎筛查系统，包括： CT 图像采集模块，用于采集 原始压缩文件； —— 1 ——