[發明專利]判斷傳染疾病發展的視覺檢測方法及裝置

在審

• 申請號: 202011341470.6
• 申請日: 2020-11-25
• 公開（公告）號: CN112447304A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 華芮;范崢;李嘉路;楊安力;何妮;肖偉鍇;張游龍;莫玖;徐云欽
• 申請（專利權）人: 深圳市華嘉生物智能科技有限公司
• 主分類號: G16H50/80
• 分類號: G16H50/80;G06T7/00;G06N3/04
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 巫苑明

1.一種判斷傳染疾病發展的視覺檢測方法，其特征在于：包括以下步驟，

S10、獲取預設數量的新冠患者的肺部CT影像及對應的結果標簽，組成訓練數據集，結果標簽記錄有新冠患者是否發展為重癥患者的結果；

S20、將訓練數據集輸入預設的卷積神經網絡模型進行監督式訓練，得到圖像分析模型，所述卷積神經網絡模型由1×1卷積層結構加densenet結構組合而成；

S30、將待檢測新冠患者的肺部CT影像輸入到圖像分析模型進行病情發展預測，得到待檢測新冠患者發展為重癥患者的概率。

2.如權利要求1所述的判斷傳染疾病發展的視覺檢測方法，其特征在于：步驟S20中，對卷積神經網絡模型進行監督式訓練時，讓卷積神經網絡模型通過反向傳播算法在訓練數據集上學習并優化權重參數和偏差參數，并將得到的權重參數及偏差參數進行固化，得到圖像分析模型。

3.如權利要求2所述的判斷傳染疾病發展的視覺檢測方法，其特征在于：所述卷積神經網絡模型由第一卷積層、第一池化層、第二卷積層、第二池化層、第一Densenet模塊、第二Densenet模塊、第三卷積層、第四卷積層、第一全連接層及第二全連接層依次串聯組成。

4.如權利要求3所述的判斷傳染疾病發展的視覺檢測方法，其特征在于：

所述第一卷積層的卷積核大小為3×3，步長為1，提取特征矩陣的深度為16，中間特征矩陣的尺寸為416×416，深度為16；

所述第一池化層卷積核大小為2×2，步長為2，中間特征矩陣的尺寸為208×208，深度為16；

所述第二卷積層的卷積核大小為3×3，步長為1，提取特征矩陣的深度為32，中間特征矩陣的尺寸為208×208，深度為32；

所述第二池化層的卷積核大小為2×2，步長為2，中間特征矩陣的尺寸為104×104，深度為32。

5.如權利要求4所述的判斷傳染疾病發展的視覺檢測方法，其特征在于：

所述第一densenet模塊的中間特征矩陣的尺寸為104×104，深度為128；

所述第二densenet模塊的中間特征矩陣的尺寸為104×104，深度為512；

所述第三卷積層的卷積核大小為1×1，步長為1，提取特征矩陣的深度為128；

所述第四卷積層的卷積核大小為1×1，步長為1，提取特征矩陣的深度為32。

6.一種判斷傳染疾病發展的視覺檢測裝置，其特征在于：包括，

訓練數據集獲取模塊，獲取預設數量的新冠患者的肺部CT影像及對應的結果標簽，組成訓練數據集，結果標簽記錄有新冠患者是否發展為重癥患者的結果；

圖像分析模型訓練模塊，將訓練數據集輸入預設的卷積神經網絡模型進行監督式訓練，得到圖像分析模型，所述卷積神經網絡模型由1×1卷積層結構加densenet結構組合而成；

新冠患者病情預測模塊，用于將待檢測新冠患者的肺部CT影像輸入到圖像分析模型進行病情發展預測，得到待檢測新冠患者發展為重癥患者的概率。

7.如權利要求6所述的判斷傳染疾病發展的視覺檢測裝置，其特征在于：所述圖像分析模型訓練模塊，用于對卷積神經網絡模型進行監督式訓練時，讓卷積神經網絡模型通過反向傳播算法在訓練數據集上學習并優化權重參數和偏差參數，并將得到的權重參數及偏差參數進行固化，得到圖像分析模型。

8.如權利要求7所述的判斷傳染疾病發展的視覺檢測裝置，其特征在于：所述卷積神經網絡模型由第一卷積層、第一池化層、第二卷積層、第二池化層、第一Densenet模塊、第二Densenet模塊、第三卷積層、第四卷積層、第一全連接層及第二全連接層依次串聯組成。