基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置。

背景技术

检测新型冠状病毒感染的主要方式有核酸检测与肺部CT两种。近年来，随着深度学习在计算机视觉领域的进展，基于图像的异常检测方法在医学图像处理中得到了大量的应用。从现有的情况看，基于深度学习的医疗图像诊断方法在数据驱动的支撑下，能够实现远超传统方法的准确度。然而基于深度学习的方法也存在其问题：达到临床标准的网络往往非常复杂，网络提取出的深度特征集异常庞大，特征冗余不可避免。这些冗余的特征不仅增加了计算成本也降低了网络的准确率，因此如何减少深度特征的冗余提高计算性能成为当前亟待解决的问题。

发明内容

针对现有的基于深度学习的医疗图像诊断方法的不足，本申请的实施例的目的在于提出了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法及装置，来解决以上背景技术部分提到的技术问题。

第一方面，本发明提供了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，包括以下步骤：

S1，构建正常类训练集{x

S2，获取待分类CT图像集{y}，分别计算待分类CT图像集{y}通过深度学习网络模型得到的降维后特征映射与正常类的高斯模型组G

S3，根据正常类训练集{x

S4，根据正常类的判定阈值T

作为优选，深度学习网络模型具有若干层网络，每层网络均采用带有参数θ的分类器Ψ

作为优选，深度学习网络模型包括ResNet或EfficientNet。

作为优选，步骤S1中通过深度学习网络模型使用正常类训练集{x

S11，基于训练集的特征映射{f

S12，通过设置分界点将特征值λ

m+1＝argmax

其中，m

S13，将不显著特征子空间Φ

其中，Ns表示训练集样本数；

S14，分别使用正常类训练集{x

作为优选，步骤S2具体包括：

将待分类CT图像集中的CT图像依次输入深度学习网络模型，通过步骤S11-S13，得到降维后的特征映射

对马氏距离矩阵d按列进行归一化处理后再按行求均值，则待分类CT图像集与正常类训练集{x

其中，

作为优选，步骤S3具体包括：

根据正常类训练集{x

根据新冠患者训练集{x

作为优选，步骤S4具体包括：

根据正常类的判定阈值T

根据新冠患者的判定阈值T

当w

a)w

b)w

c)w

d)w

响应于确定待分类CT图像集{y}中的CT图像的分类指标满足情况a)时，确定待分类CT图像集{y}中的CT图像为正常类；

响应于确定待分类CT图像集{y}中的CT图像的分类指标满足情况b)时，确定待分类CT图像集{y}中的CT图像为新冠患者；

响应于确定待分类CT图像集{y}中的CT图像的分类指标满足情况c)和d)时，计算综合类评估指标w：

w＝αw

其中，

第二方面，本发明提供了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类装置，包括：

高斯模型构建模块，被配置为构建正常类训练集{x

马氏距离计算模块，被配置为获取待分类CT图像集{y}，分别计算待分类CT图像集{y}通过深度学习网络模型得到的降维后特征映射与正常类的高斯模型组G

判定阈值计算模块，被配置为根据正常类训练集{x

分类模块，被配置为根据正常类的判定阈值T

第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

相比于现有技术，本发明具有以下有益效果：

本发明提出的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法使用预训练的神经网络提取训练集特征映射，解决了训练集数据过少导致的深度学习网络模型可能存在的过拟合问题。并提出了一种子空间分解方法，不仅去除了冗余特征，降低了算法的计算成本，也提高了模型的分类性能。使用基于子空间分解的特征降维方法解决网络特征冗余的问题，提高计算效率。最后通过科学的阈值设置方式，降低了假阳性和假阴性的误诊概率，并引入评估指标，为辅助诊断提供参考。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请的一个实施例可以应用于其中的示例性装置架构图；

图2为本申请的实施例的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法的流程示意图；

图3为肺部CT图像展示，图3(a)是为正常的肺部CT图像；图3(b)为新型冠状病毒感染患者的肺部CT图像，图中圆圈标记处为疑似病灶部位；

图4为本申请的实施例的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法的算法流程图；

图5为本申请的实施例的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法的测试结果图，其中图5(a)是测试集在正常类高斯模型G

图6为本申请的实施例的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类装置的示意图；

图7是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。

图1示出了可以应用本申请实施例的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法或基于深度学习和高斯建模的新型冠状病毒感染CT图像分类装置的示例性装置架构100。

如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。

需要说明的是，本申请实施例所提供的基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于深度学习和高斯建模的新型冠状病毒感染CT图像分类装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。

图2示出了本申请的实施例提供的一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类方法，包括以下步骤：

S1，构建正常类训练集{x

具体的，在步骤1)中，所采用的图像数据来源于开源数据集或实际的医学诊疗数据。正常类训练集{x

在具体的实施例中，深度学习网络模型包括若干层网络，每层网络均采用带有参数θ的分类器Ψ

在具体的实施例中，深度学习网络模型包括ResNet或EfficientNet。

在具体的实施例中，步骤S1中通过深度学习网络模型使用正常类训练集{x

S11，基于训练集的特征映射{f

S12，通过设置分界点将特征值λ

其中，m

S13，将不显著特征子空间Φ

其中，Ns表示训练集样本数；

S14，分别使用正常类训练集{x

具体的，使用在大型数据集(例如ImageNet)上预训练的带有参数θ的分类器Ψ

深度学习网络模型可以使用ResNet、EfficientNet等，在本申请的具体实例中采用EfficientNet-B4。EfficinetNet-B4网络一共9层，每层含有若干个卷积核用于提取深度特征，如第一层卷积核个数为48，第二层为24等。下面以第七层为例详细描述本实例的具体实施方式。第七层卷积核个数为272，即第七层的特征维度N

其中，m

选择包含关键特征的子空间构建变换矩阵，将特征映射{f

使用不同的训练数据，即可构建不同类型的高斯模型。EfficientNet-B4一共9层，每层均可提取特征映射构建高斯模型。本申请的实施例中采用高斯模型组：

S2，获取待分类CT图像集{y}，分别计算待分类CT图像集{y}通过深度学习网络模型得到的降维后特征映射与正常类的高斯模型组G

在具体的实施例中，步骤S2具体包括：

将待分类CT图像集中的CT图像依次输入深度学习网络模型，通过步骤S11-S13，得到降维后的特征映射

对马氏距离矩阵d按列进行归一化处理后再按行求均值，则待分类CT图像集与正常类训练集{x

其中，

具体的，将待分类CT图像集中200张CT图像依次输入深度学习网络模型，经过特征工程获取降维后的特征映射

在本实施例中，分类CT图像集一共有200张CT图像，并可作为测试集，深度学习网络模型一共9层，因此马氏距离矩阵d大小为[200,9]。对d按列进行归一化处理后再按行求均值，则待分类CT图像集与训练集的马氏距离表示为:

其中，

S3，根据正常类训练集{x

在具体的实施例中，步骤S3具体包括：

根据正常类训练集{x

根据新冠患者训练集{x

具体的，本申请的实施例的阈值如图5中阈值线所示。

S4，根据正常类的判定阈值T

在具体的实施例中，步骤S4具体包括：

根据正常类的判定阈值T

根据新冠患者的判定阈值T

当w

a)w

b)w

c)w

d)w

响应于确定待分类CT图像集{y}中的CT图像的分类指标满足情况a)时，确定待分类CT图像集{y}中的CT图像为正常类；

响应于确定待分类CT图像集{y}中的CT图像的分类指标满足情况b)时，确定待分类CT图像集{y}中的CT图像为新冠患者；

响应于确定待分类CT图像集{y}中的CT图像的分类指标满足情况c)和d)时，计算综合类评估指标w：

w＝αw

其中，

在其中一个实施例中，需要明确的是，c)和d)两种情况下本发明已无法准确归类，综合类评估指标w只是作为辅助诊断的参考，准确的归类需要人工干预。可通过以下两种情况的判定结果作为参考：

响应于确定综合类评估指标w≤t，则确定待分类CT图像集{y}中的CT图像更接近于正常类；

响应于确定综合类评估指标w>t，则确定待分类CT图像集{y}中的CT图像更接近于新冠患者。

本实施例中，阈值t为0.5，定义

a)w

b)w

c)w

d)w

其中，a)和b)两种情况确定度较高。当满足情况a)时，说明样本y与正常类相似，并且与新冠患者存在显著差异，则可将样本y归类为正常；反之，当满足情况b)时，样本y判定为新冠患者。c)和d)两种情况样本的归类较为模糊，需要计算整体评估指标。可进一步定义综合类评估指标：

w＝αw

其中，

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

本申请实施例提供了一种基于深度学习和高斯建模的新型冠状病毒感染CT图像分类装置，包括：

高斯模型构建模块1，被配置为构建正常类训练集{x

马氏距离计算模块2，被配置为获取待分类CT图像集{y}，分别计算待分类CT图像集{y}通过深度学习网络模型得到的降维后特征映射与正常类的高斯模型组G

判定阈值计算模块3，被配置为根据正常类训练集{x

分类模块4，被配置为根据正常类的判定阈值T

下面参考图7，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机装置700包括中央处理单元(CPU)701和图形处理器(GPU)702，其可以根据存储在只读存储器(ROM)703中的程序或者从存储部分709加载到随机访问存储器(RAM)704中的程序而执行各种适当的动作和处理。在RAM 704中，还存储有装置700操作所需的各种程序和数据。CPU 701、GPU702、ROM 703以及RAM704通过总线705彼此相连。输入/输出(I/O)接口706也连接至总线705。

以下部件连接至I/O接口706：包括键盘、鼠标等的输入部分707；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分708；包括硬盘等的存储部分709；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分710。通信部分710经由诸如因特网的网络执行通信处理。驱动器711也可以根据需要连接至I/O接口706。可拆卸介质712，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器711上，以便于从其上读出的计算机程序根据需要被安装入存储部分709。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分710从网络上被下载和安装，和/或从可拆卸介质712被安装。在该计算机程序被中央处理单元(CPU)701和图形处理器(GPU)702执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建正常类训练集{x

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。