申请/专利权人：太原理工大学

申请日：2021-10-18

公开（公告）日：2024-04-12

公开（公告）号：CN113935969B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/764;G06V10/774;G16H50/20;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.02.01#实质审查的生效;2022.01.14#公开

摘要：本发明公开了一种基于领域知识引导的新冠肺炎特异性病例的诊断系统，包括以下模块：数据预处理模块；数据增强模块；领域知识存储模块；分类模块：将鉴别器网络保存为特征提取网络，并将倒数第二个全连通层的输出信息表示作为输入，通过S3VM分类器进行新冠肺炎筛检和分类；本发明基于DK进行半监督学习，并开发DScGANS和S3VM模型来诊断新冠肺炎病例。DScGANS以新冠肺炎病例图像作为输入，在领域知识的约束下，通过DScGANS模型提取特征并将提取到的特征用作S3VM的输入，DK将作为约束S3VM进行新冠肺炎分类的条件，从而优化该系统的分类精度。本发明能够在较短的处理时间下，提供稳定和先进的诊断性能，达到较高的检测率与较低的误检率，可应用于新冠肺炎的筛检。

主权项：1.一种基于领域知识引导的新冠肺炎特异性病例的诊断系统，其特征在于，包括以下模块：数据预处理模块；所述数据预处理模块：采用阈值分割的方法从肺部CT图像中提取感染部分，得到感兴趣部分即ROI，并裁剪成相同大小的结节图像存入样本数据库；将患者的CT影像数据按照7:2:1的比例随机划分为训练集、验证集、测试集；将图像大小统一为128x128像素；数据增强模块；所述的数据增强模块：对每个类别的训练集图片进行旋转和翻转操作，以期望训练得到的生成模型具有生成旋转图像的泛化能力并尽量避免GAN发生模式崩溃，如此使图片增加到原来的16倍，这些图片直接作为GAN的训练集；领域知识存储模块：获取并存储相关的领域知识，提取新冠肺炎患者的特异性特征；所述领域知识存储模块提取了新冠肺炎患者的以下特异性特征：CRP值、咯血量、节段性肺不张、多发肺气囊；DScGANS生成器与鉴别器模块：在高斯分布中随机采样生成随机向量，并将随机向量输入至生成器网络中，得到仿真图像，将真实图像以及仿真图像按批次输入鉴别器网络中；借助导入的真实图像以及仿真图像，结合获取的领域知识DomainKnowledge,DK，利用Adam梯度下降法不断调整生成器以及鉴别器的参数；生成器主要用来结合领域知识学习真实图像分布从而让自身生成的图像更加真实，以“骗”过鉴别器；鉴别器则需要对接收的图片进行真假鉴别；在整个过程中，生成器努力地让生成的图像更加真实，而鉴别器则努力地去识别出图像的真假，这个过程相当于一个动态博弈，随着时间的推移和不断迭代，生成器和鉴别器在不断地进行对抗，最终两个网络达到了一个动态均衡；所述DScGANS生成器与鉴别器模块包括：生成器单元、鉴别器单元、交替训练单元、更新单元；生成器单元，生成图像；生成器单元用G表示，G使用这种方法来生成图像Gz,DK；θg，它由一个全连接层和五个反卷积层组成，参数为θg，每一个输入的随机噪声向量z有一个对应的领域知识DK作为支撑，这种随机噪声向量是从真实图像对应的假图像中获得的；鉴别器单元，鉴别图像；鉴别器单元使用参数D表示，它包含六个卷积层，一个特征降维层fdr、一个联合学习网络jln以及和一个全连接层fc；参数是θd；特征降维层是一种含有16个神经元的全连接层，它用来连接领域知识和深度特征，并在此之前降低深度特征的维度；将领域特征与深度特征串联后，他们都会被送入联合学习网络；联合学习网络由两个全连接层组成，这两个全连接层用于学习已标记数据的领域知识、深度特征和类别标签之间的关联信息；假设真实的图像patch有k类，将G生成的图像patch定义为第k+1类；因此，最后一个全连接层有k+1个神经元，其中前k个都为Softmax神经元，第k+1类为sigmoid神经元；真实的输入图像块可能来自于一个带有标签datax,y的真实图像、一个没有标签datax的真实图像或者一个生成的虚假图像Gz,DK；θg；使用前k个神经元来计算服从I～datax,y的图像属于第j类的概率类别：PDy＝j|I,Dk＝DjI,Dk；θdy是输入图像I的类别标签；使用第k+1个神经元来计算输入图像I是属于真实图像datax或者生成图像Gz,DK；θg的概率，定义第k+1个神经元的输出是Dk+1I,Dk；θd，即PDl＝0|I,Dk＝Dk+1I,Dk；θd如果I来自一个虚假图像，变量I的值为0，否则为1；交替训练单元：交替训练生成器与鉴别器；过程中首先初始化生成器和鉴别器，在每一次的迭代中：首先固定生成器，更新鉴别器参数；鉴别器的学习目标是,如果判断输入是来自于真实数据集，则给高分；如果是生成器产生的数据，则给低分，损失越小，更容易给低分；接下来，固定鉴别器的参数,更新生成器；将一个噪声输入生成器，得到生成图片，将生成图片输入鉴别器,然后会得到一个分数，这一阶段鉴别器的参数已经被固定，生成器需要调整参数使得这个生成图片的分数越大越好，损失越小生成质量越高；为了训练DScGANS组件，在训练过程中使用了各种损失函数，对于输入随机噪声向量z，生成器损失函数为: 鉴别器的损失函数由两部分组成:监督损失函数和无监督损失函数，用LD_su区分输入I是来自真假图像的损失，用LD_un区分输入I是否属于j类的损失；给定输入I，鉴别器的损失函数为:LD＝LD_su+LD_unLD_su＝-EI～datax,ylog{PDy＝j|I,Dk} 更新单元：利用Adam算法对生成器与鉴别器参数进行更新；Adam算法过程如下:mt＝β1mt-11-β1gt 其中，gt表示梯度，mt表示均值，即梯度的一阶距，vt表示方差，即梯度的二阶距，β1表示一阶矩的指数衰减率，β2表示二阶矩的指数衰减率；然后计算校正误差的一阶矩以及二阶矩： 从而获得Adam的更新公式： 其中，η表示学习率，来控制权重的更新比率；学习率的大小会直接影响训练模型的性能，较大的学习率会使得加快模型的初始学习速率，而较小的学习率可一定程度上提高模型训练的收敛性；分类模块：将鉴别器网络保存为特征提取网络，并将倒数第二个全连通层的输出信息表示作为输入，通过S3VM分类器进行新冠肺炎筛检和分类；倒数第二个全连通层的输出信息包括深度特征和DK。

全文数据：

权利要求：

百度查询： 太原理工大学 一种基于领域知识引导的新冠肺炎特异性病例的诊断系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD