一种基于深度学习的新冠肺炎CT图像分类方法及系统

技术领域

本发明涉及新冠肺炎技术领域，具体涉及一种基于深度学习的新冠肺炎CT图像分类方法及系统。

背景技术

新冠肺炎是一种传染性极强的疾病，新型冠状病毒肺炎以发热、干咳、乏力等为主要表现，少数患者伴有鼻塞、流涕、腹泻等上呼吸道和消化道症状。重症病例多在1周后出现呼吸困难，严重者快速进展为急性呼吸窘迫综合征、脓毒症休克、难以纠正的代谢性酸中毒和出凝血功能障碍及多器官功能衰竭等，监测患者肺部功能是一种有效判定患者康复情况的诊疗手段。

现有技术中，CN201911338434.1公开了一种电子计算机断层扫描CT图像分类方法、装置及设备，该方法包括：获取待分类CT图像中各个像素点的点云数据；根据各个像素点的点云数据以及待分类CT图像中任意两个像素点之间的距离，生成各个像素点对应的全局影响特征；将各个像素点的点云数据分别与各个像素点对应的全局影响特征进行叠加，得到各个像素点的融合特征数据；基于待分类CT图像中各个像素点的融合特征数据进行图像分类，得到待分类CT图像的分类结果。其中，因像素点的融合特征数据携带了该像素点的局部信息及待分类CT图像的全局信息，使得待分类CT图像的分类过程能够依据全面准确的信息进行分类，提高CT图像的分类准确性。

上述现有技术需要对CT图像的每个像素点进行复杂的特征运算，而CT图像的图层比较多，因此会造成计算量骤增，从而降低CT图像的分类效率，不符合需要在新冠肺炎确诊过程中的快速分类需求。

发明内容

本发明的目的在于提供一种基于深度学习的新冠肺炎CT图像分类方法及系统，以解决现有技术需要对CT图像的每个像素点进行复杂的特征运算，而CT图像的图层比较多，因此会造成计算量骤增，从而降低CT图像的分类效率，不符合需要在新冠肺炎确诊过程中的快速分类需求的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种基于深度学习的新冠肺炎CT图像分类方法，包括以下步骤：

步骤S1、在患病周期内获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的所述新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇，其中，同一所述新冠肺炎CT图像阶段簇中包含的所有新冠肺炎CT图像位于同一病情发展阶段，不同所述新冠肺炎CT图像阶段簇中包含的新冠肺炎CT图像位于不同病情发展阶段；

步骤S2、基于深度学习机制构建新冠肺炎CT图像分类模型，并利用所述新冠肺炎CT图像分类模型对所述新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的所述病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将所述病情发展阶段作为新冠肺炎CT图像的类别标签，以实现对所述新冠肺炎目标病患在患病周期内的所有新冠肺炎CT图像进行分阶段的快速划分并快速掌握每个新冠肺炎CT图像位于的病情发展阶段。

作为本发明的一种优选方案，所述步骤S1中，所述新冠肺炎CT图像阶段簇的划分方法包括：

步骤S101、将一组连续的所述新冠肺炎CT图像的直方图进行相邻差异度计算，所述相邻差异度的计算公式为：

式中，J

步骤S102、设定差异度阈值，将所述相邻差异度与所述差异度阈值相比较，其中，

若相邻差异度J

若相邻差异度J

将一组连续的所述新冠肺炎CT图像沿相邻的终止图像和起始图像进行切割分成多组局部连续的新冠肺炎CT图像，并将每组局部连续的新冠肺炎CT图像作为一个新冠肺炎CT图像阶段簇，以实现将一组连续的所述新冠肺炎CT图像进行阶段性划分得到新冠肺炎CT图像阶段簇。

作为本发明的一种优选方案，所述步骤S1中，在所述相邻差异度计算之前需要对一组连续的所述新冠肺炎CT图像进行图像调整以保证新冠肺炎CT图像的直方图向量表征的图像像素信息一致，所述图像调整的方法包括：

为一组连续的所述新冠肺炎CT图像中每个新冠肺炎CT图像均设置两个定位点，其中，两个所述定位点的坐标为O(x

采用随机Hough变换对一组连续的所述新冠肺炎CT图像中每个新冠肺炎CT图像进行检测，通过定位点在新冠肺炎CT图像上的几何变换对一组连续的所述新冠肺炎CT图像的大小、位置偏差进行调整。

作为本发明的一种优选方案，所述大小、位置偏差的调整方法包括：

以一组连续的所述新冠肺炎CT图像中的新冠肺炎CT图像1为基准图像A，依次以一组连续的所述新冠肺炎CT图像中的新冠肺炎CT图像k(k∈[2,n])为调整图像B，计算基准图像A中两个定位点的水平偏角σ

若σ

若σ

计算基准图像A中两个定位点之间的距离D

若D

若D

将所述调整图像B中两个定位点O(x

其中，x

作为本发明的一种优选方案，所述步骤S1中，在所述新冠肺炎CT图像阶段簇的划分完成后还包括计算获得新冠肺炎CT图像阶段簇的代表图像，所述代表图像用于代表性表征新冠肺炎CT图像阶段簇以输入新冠肺炎CT图像分类模型中得到新冠肺炎CT图像阶段簇的病情发展阶段，所述代表图像的计算获得方法包括：

将新冠肺炎CT图像阶段簇l(l∈[1,n])中包含的所有新冠肺炎CT图像的区分标号i重新标记为i

式中，g

所述权重

对新冠肺炎CT图像i

基于所述新冠肺炎CT图像i

作为本发明的一种优选方案，所述步骤S2中，所述新冠肺炎CT图像分类模型的构建方法包括：

在新冠肺炎CT图像数据库中获取N个病情发展阶段以及为每个病情发展阶段获取M个新冠肺炎CT图像；

对N*M个新冠肺炎CT图像的大小、位置偏差进行调整至与新冠肺炎目标病患的新冠肺炎CT图像的大小、位置相一致；

将所述N*M个新冠肺炎CT图像的直方图向量输入卷积神经网络进行模型训练得到新冠肺炎CT图像分类模型，所述新冠肺炎CT图像分类模型输入新冠肺炎CT图像的直方图向量，输出新冠肺炎CT图像位于的病情发展阶段。

作为本发明的一种优选方案，所述步骤S2中，所述新冠肺炎CT图像阶段簇的阶段分类方法包括：

将所述代表图像的直方图向量输入新冠肺炎CT图像分类模型，输出代表图像位于的病情发展阶段，则代表图像位于的病情发展阶段为新冠肺炎CT图像阶段簇的病情发展阶段。

作为本发明的一种优选方案，所述新冠肺炎CT图像的类别标签的获得方法包括：

将所述新冠肺炎CT图像阶段簇的病情发展阶段作为新冠肺炎CT图像阶段簇中包含的所有新冠肺炎CT图像的类别标签。

作为本发明的一种优选方案，在对新冠肺炎CT图像进行直方图向量运算之前，还包括对所有新冠肺炎CT图像的直方图向量进行归一化处理。

作为本发明的一种优选方案，本发明提供了一种根据所述的基于深度学习的新冠肺炎CT图像分类方法的分类系统，包括：

图像获取单元，用于在患病周期内利用CT拍摄设备获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的所述新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇；

模型建立单元，用于基于深度学习机制构建新冠肺炎CT图像分类模型；

图像分类单元，用于利用所述新冠肺炎CT图像分类模型对所述新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的所述病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将所述病情发展阶段作为新冠肺炎CT图像的类别标签。

本发明与现有技术相比较具有如下有益效果：

本发明利用在患病周期内获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的所述新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇，并利用所述新冠肺炎CT图像分类模型对所述新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的所述病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将所述病情发展阶段作为新冠肺炎CT图像的类别标签，以实现对所述新冠肺炎目标病患在患病周期内的所有新冠肺炎CT图像进行分阶段的快速划分并快速掌握每个新冠肺炎CT图像位于的病情发展阶段，在分类过程中仅使用图像的全局特征：直方图，无需逐个像素点进行复杂运算，有效降低运算复杂度，进一步提高运算效率。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的新冠肺炎CT图像分类方法流程图；

图2为本发明实施例提供的分类系统结构框图。

图中的标号分别表示如下：

1-图像获取单元；2-模型建立单元；3-图像分类单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，新冠肺炎病患的患病周期是一个长时间持续的过程，在患病周期过程中会经历多个稳定的病情发展阶段，而且在一个稳定的病情发展阶段中病患的肺部状态会处于一个相似的状态，对应的在一个稳定的病情发展阶段中病患的所有新冠肺炎CT图像也同样呈现相似性，传统技术中对新冠肺炎病患的整个患病周期的新冠肺炎CT图像进行分类，需要对每个新冠肺炎CT图像进行分类，忽略了阶段相似性特征，降低了分类效率，因此本发明提供了一种基于深度学习的新冠肺炎CT图像分类方法，利用新冠肺炎CT图像的阶段相似性特征，可实现对新冠肺炎病患的整个患病周期的新冠肺炎CT图像进行阶段性分类，提高分类效率。

一种基于深度学习的新冠肺炎CT图像分类方法，包括以下步骤：

步骤S1、在患病周期内获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇，其中，同一新冠肺炎CT图像阶段簇中包含的所有新冠肺炎CT图像位于同一病情发展阶段，不同新冠肺炎CT图像阶段簇中包含的新冠肺炎CT图像位于不同病情发展阶段；

将一组连续的新冠肺炎CT图像进行阶段性划分，实现将多个新冠肺炎CT图像划分至多个新冠肺炎CT图像阶段簇中，位于同一新冠肺炎CT图像阶段簇中的新冠肺炎CT图像位于同一个病情发展阶段，即新冠肺炎CT图像阶段簇包含有一个病情发展阶段的所有新冠肺炎CT图像，而同一病情发展阶段中目标病患的肺部状态呈现一个稳定的状况，因此同一病情发展阶段中表征目标病患的肺部状态的新冠肺炎CT图像具有图像相似性，一旦出现相邻的两个新冠肺炎CT图像出现较大的差异性，则表明出现了病情发展阶段的转折，从而可通过依次计算相邻两个新冠肺炎CT图像的差异度来进行一组连续的新冠肺炎CT图像进行阶段性划分，具体如下：

步骤S1中，新冠肺炎CT图像阶段簇的划分方法包括：

步骤S101、将一组连续的新冠肺炎CT图像的直方图进行相邻差异度计算，相邻差异度的计算公式为：

式中，J

直方图属于图像的全局特征，不涉及具体的像素点坐标等局部特征，而且也能够实现图像的差异度计算，可以降低计算复杂度。

步骤S102、设定差异度阈值，将相邻差异度与差异度阈值相比较，其中，

若相邻差异度J

若相邻差异度J

将一组连续的新冠肺炎CT图像沿相邻的终止图像和起始图像进行切割分成多组局部连续的新冠肺炎CT图像，并将每组局部连续的新冠肺炎CT图像作为一个新冠肺炎CT图像阶段簇，以实现将一组连续的新冠肺炎CT图像进行阶段性划分得到新冠肺炎CT图像阶段簇。

本实施例提供了一种新冠肺炎CT图像阶段簇的划分实例，比如，一组连续的新冠肺炎CT图像{1,2,3,4,5,6,7,8,9,10,11,12}，通过上述计算得到新冠肺炎CT图像3和4为一对终止图像和起始图像，新冠肺炎CT图像9和10为一对终止图像和起始图像，则沿新冠肺炎CT图像3和4、9和10之间进行切割得到多组局部连续的新冠肺炎CT图像{1,2,3}，{4,5,6,7,8,9}，{10,11,12}，则{1,2,3}，{4,5,6,7,8,9}，{10,11,12}分别作为三个新冠肺炎CT图像阶段簇。

步骤S1中，在相邻差异度计算之前需要对一组连续的新冠肺炎CT图像进行图像调整以保证新冠肺炎CT图像的直方图向量表征的图像像素信息一致，图像调整的方法包括：

为一组连续的新冠肺炎CT图像中每个新冠肺炎CT图像均设置两个定位点，其中，两个定位点的坐标为O(x

采用随机Hough变换对一组连续的新冠肺炎CT图像中每个新冠肺炎CT图像进行检测，通过定位点在新冠肺炎CT图像上的几何变换对一组连续的新冠肺炎CT图像的大小、位置偏差进行调整。

大小、位置偏差的调整方法包括：

以一组连续的新冠肺炎CT图像中的新冠肺炎CT图像1为基准图像A，依次以一组连续的新冠肺炎CT图像中的新冠肺炎CT图像k(k∈[2,n])为调整图像B，计算基准图像A中两个定位点的水平偏角σ

若σ

若σ

计算基准图像A中两个定位点之间的距离D

若D

若D

将调整图像B中两个定位点O(x

其中，x

为了保证保证新冠肺炎CT图像的直方图向量表征的图像像素信息一致，本实施例将一组连续的新冠肺炎CT图像进行缩放、平移和旋转操作来实现一组连续的新冠肺炎CT图像图像像素信息一一对应。

步骤S1中，在新冠肺炎CT图像阶段簇的划分完成后还包括计算获得新冠肺炎CT图像阶段簇的代表图像，代表图像用于代表性表征新冠肺炎CT图像阶段簇以输入新冠肺炎CT图像分类模型中得到新冠肺炎CT图像阶段簇的病情发展阶段，代表图像的计算获得方法包括：

将新冠肺炎CT图像阶段簇l(l∈[1,n])中包含的所有新冠肺炎CT图像的区分标号i重新标记为i

式中，g

权重

对新冠肺炎CT图像i

基于新冠肺炎CT图像i

位于同一个新冠肺炎CT图像阶段簇中的所有的新冠肺炎CT图像均呈现较高的相似性，位于新冠肺炎CT图像阶段簇簇中心处的新冠肺炎CT图像(可能真实存在，可能非真实存在，可通过计算获得)代表新冠肺炎CT图像阶段簇中的所有的新冠肺炎CT图像的平均水平，与位于新冠肺炎CT图像阶段簇簇中心处的新冠肺炎CT图像距离更短的新冠肺炎CT图像更真实的接近这个新冠肺炎CT图像阶段簇对应的病情发展阶段的真实肺部状态的表达，因此与位于新冠肺炎CT图像阶段簇簇中心处的新冠肺炎CT图像距离更短的新冠肺炎CT图像在计算新冠肺炎CT图像阶段簇的代表图像时具有更高的权重，如此加权平均计算后得到的代表图像对新冠肺炎CT图像阶段簇表征的病情发展阶段而言更具有代表性，可实现通过代表图像识别出新冠肺炎CT图像阶段簇表征的病情发展阶段。

步骤S2、基于深度学习机制构建新冠肺炎CT图像分类模型，并利用新冠肺炎CT图像分类模型对新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将病情发展阶段作为新冠肺炎CT图像的类别标签，以实现对新冠肺炎目标病患在患病周期内的所有新冠肺炎CT图像进行分阶段的快速划分并快速掌握每个新冠肺炎CT图像位于的病情发展阶段。

步骤S2中，新冠肺炎CT图像分类模型的构建方法包括：

在新冠肺炎CT图像数据库中获取N个病情发展阶段以及为每个病情发展阶段获取M个新冠肺炎CT图像；

对N*M个新冠肺炎CT图像的大小、位置偏差进行调整至与新冠肺炎目标病患的新冠肺炎CT图像的大小、位置相一致；

将N*M个新冠肺炎CT图像的直方图向量输入卷积神经网络进行模型训练得到新冠肺炎CT图像分类模型，新冠肺炎CT图像分类模型输入新冠肺炎CT图像的直方图向量，输出新冠肺炎CT图像位于的病情发展阶段。

本实施例提供了一个构建实例，比如，训练样本：第1种病情发展阶段包括新冠肺炎CT图像{1,2,3,4,5}，第2种病情发展阶段包括新冠肺炎CT图像{6,7,8,9,10}，第3种病情发展阶段包括新冠肺炎CT图像{11,12,13,14,15}，第4种病情发展阶段包括新冠肺炎CT图像{16,17,18,19,20}，构建出新冠肺炎CT图像直方图向量(病情发展阶段)的形式：{新冠肺炎CT图像1直方图向量(1),新冠肺炎CT图像2直方图向量(1),新冠肺炎CT图像3直方图向量(1),新冠肺炎CT图像4直方图向量(1),新冠肺炎CT图像5直方图向量(1),…,新冠肺炎CT图像16直方图向量(4),新冠肺炎CT图像17直方图向量(4),新冠肺炎CT图像18直方图向量(4),新冠肺炎CT图像19直方图向量(4),新冠肺炎CT图像20直方图向量(4)}作为输入(输出)形式带入卷积神经网络进行训练得到新冠肺炎CT图像分类模型，使得新冠肺炎CT图像分类模型可通过输入代表图像的直方图向量，输出代表图像位于的病情发展阶段。

步骤S2中，新冠肺炎CT图像阶段簇的阶段分类方法包括：

将代表图像的直方图向量输入新冠肺炎CT图像分类模型，输出代表图像位于的病情发展阶段，则代表图像位于的病情发展阶段为新冠肺炎CT图像阶段簇的病情发展阶段。

新冠肺炎CT图像的类别标签的获得方法包括：

将新冠肺炎CT图像阶段簇的病情发展阶段作为新冠肺炎CT图像阶段簇中包含的所有新冠肺炎CT图像的类别标签。

三个新冠肺炎CT图像阶段簇包括新冠肺炎CT图像阶段簇1：{1,2,3}，新冠肺炎CT图像阶段簇2：{4,5,6,7,8,9}，新冠肺炎CT图像阶段簇3：{10,11,12}的代表图像分别为{g

在对新冠肺炎CT图像进行直方图向量运算之前，还包括对所有新冠肺炎CT图像的直方图向量进行归一化处理。

如图2所示，基于上述基于深度学习的新冠肺炎CT图像分类方法，本发明提供了一种分类系统，包括：

图像获取单元1，用于在患病周期内利用CT拍摄设备获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇；

模型建立单元2，用于基于深度学习机制构建新冠肺炎CT图像分类模型；

图像分类单元3，用于利用新冠肺炎CT图像分类模型对新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将病情发展阶段作为新冠肺炎CT图像的类别标签。

本发明利用在患病周期内获取一组连续表征新冠肺炎目标病患肺部状态的新冠肺炎CT图像，将一组连续的新冠肺炎CT图像进行阶段性划分得到多个表征新冠肺炎目标病患病情发展阶段的新冠肺炎CT图像阶段簇，并利用新冠肺炎CT图像分类模型对新冠肺炎CT图像阶段簇进行阶段分类得到每个新冠肺炎CT图像阶段簇所表征的病情发展阶段，再映射至新冠肺炎CT图像阶段簇中将病情发展阶段作为新冠肺炎CT图像的类别标签，以实现对新冠肺炎目标病患在患病周期内的所有新冠肺炎CT图像进行分阶段的快速划分并快速掌握每个新冠肺炎CT图像位于的病情发展阶段，在分类过程中仅使用图像的全局特征：直方图，无需逐个像素点进行复杂运算，有效降低运算复杂度，进一步提高运算效率。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。