[發(fā)明專利]判斷傳染疾病發(fā)展的視覺檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202011341470.6
• 申請日: 2020-11-25
• 公開（公告）號: CN112447304A
• 公開（公告）日: 2021-03-05
• 發(fā)明（設(shè)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(quán)）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(wù)所 44242
• 代理人: 巫苑明

本發(fā)明提供了一種判斷傳染疾病發(fā)展的視覺檢測方法及裝置，所述方法包括，獲取預(yù)設(shè)數(shù)量的新冠患者的肺部CT影像及對應(yīng)的結(jié)果標(biāo)簽，組成訓(xùn)練數(shù)據(jù)集，結(jié)果標(biāo)簽記錄有新冠患者是否發(fā)展為重癥患者的結(jié)果；將訓(xùn)練數(shù)據(jù)集輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型進行監(jiān)督式訓(xùn)練，得到圖像分析模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型由1×1卷積層結(jié)構(gòu)加densenet結(jié)構(gòu)組合而成；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(fā)展預(yù)測，得到待檢測新冠患者發(fā)展為重癥患者的概率。本發(fā)明的有益效果在于：可以有效提取新冠患者的肺部CT影像特征，提高識別準(zhǔn)確率，通過densenet結(jié)構(gòu)，有效提高模型的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種視覺檢測方法及裝置，尤其是指一種判斷傳染疾病發(fā)展的視覺檢測方法及裝置。

背景技術(shù)

新型冠狀病毒(新冠，SARS-CoV-2)自2019年底首次報道以來，已迅速發(fā)展至全球性的新型傳染性疫情。防控該疫情擴散的主要難點之一為在臨床護理層面上，雖然新冠肺炎(COVID-19pneumonia)患者總體死亡率較低，但進展為重型癥狀的患者，其死亡風(fēng)險較高，目前尚缺少有效的方法在早期階段即篩選出可能進展為重型的患者。在尚無特效藥或療法的前提下，這些問題將會給社會生產(chǎn)及經(jīng)濟發(fā)展帶來持續(xù)的負(fù)擔(dān)和不確定性。

新冠確診患者在入院后，通常會有兩種疾病發(fā)展的可能，一種為無進展，即患者從入院至治愈出院，癥狀無顯著惡化，另一種為進展，即患者癥狀發(fā)生惡化，進展為重型或危重型。無進展患者的治愈出院結(jié)局對重型起始結(jié)局構(gòu)成了競爭風(fēng)險，即無進展患者出院后100％可能不會進展為重型，普通的生存分析方法由于將無進展治愈出院事件作為刪失事件處理，會對重型起始的風(fēng)險估測引入偏差。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：提供一種判斷傳染疾病發(fā)展的視覺檢測方法及裝置。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種判斷傳染疾病發(fā)展的視覺檢測方法，包括以下步驟，

S10、獲取預(yù)設(shè)數(shù)量的新冠患者的肺部CT影像及對應(yīng)的結(jié)果標(biāo)簽，組成訓(xùn)練數(shù)據(jù)集，結(jié)果標(biāo)簽記錄有新冠患者是否發(fā)展為重癥患者的結(jié)果；

S20、將訓(xùn)練數(shù)據(jù)集輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型進行監(jiān)督式訓(xùn)練，得到圖像分析模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型由1×1卷積層結(jié)構(gòu)加densenet結(jié)構(gòu)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(fā)展預(yù)測，得到待檢測新冠患者發(fā)展為重癥患者的概率。

進一步的，步驟S20中，對卷積神經(jīng)網(wǎng)絡(luò)模型進行監(jiān)督式訓(xùn)練時，讓卷積神經(jīng)網(wǎng)絡(luò)模型通過反向傳播算法在訓(xùn)練數(shù)據(jù)集上學(xué)習(xí)并優(yōu)化權(quán)重參數(shù)和偏差參數(shù)，并將得到的權(quán)重參數(shù)及偏差參數(shù)進行固化，得到圖像分析模型。

進一步的，所述卷積神經(jīng)網(wǎng)絡(luò)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(lián)組成。

進一步的，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。

進一步的，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；