[发明专利]基于多信息样本类自适应分类网络的COVID-19识别方法

说明书

本发明涉及基于多信息样本类自适应分类网络的COVID‑19识别方法，包括：收集不同数据源的不同类别的人体胸部X光影像以及对应的个人经历数据，分类后制作成原始数据集；对原始数据集进行数据清洗，对其中的X光影像进行特征增强后，提取肺部区域；整理肺部区域数据集和个人经历数据形成目标数据集；利用目标数据集对多信息样本类自适应分类网络进行训练；将待识别的人体胸部X光影像和对应的个人经历数据输入训练好的多信息样本类自适应分类网络，得到COVID‑19的识别结果。本发明的识别方法从多种信息中提取特征，根据提取的特征识别出COVID‑19，提高了识别的准确率；采用样本类自适应分类，缓解了样本数较少情况下类别不均衡对训练的不利影响。

技术领域

本发明属于医学图像分类领域，具体涉及一种基于多信息样本类自适应分类网络的COVID-19识别方法。

背景技术

新型冠状病毒疾病(COVID-19)的快速传播已成为全球关注的问题。为遏制这种传播，在临床实践中，RT-PCR测试通常与胸部X光影像(CXR)相辅相成，这样联合分析可以减少大量的假阴性，同时提供关于疾病范围和严重程度的更多信息。

为寻找更快速、更客观、准确和灵敏的方法以进行疾病的识别和评估，目前出现了一种研究趋势，即利用从CXR提取的临床特征进行自动检测。

研究胸部X光影像的一个潜在好处是，即使在没有症状的人群中，这些影像也可以表征肺炎状态。然而，在这一领域还需要更多的研究，因为有报道称在感染患者中缺乏发现。这项技术的整合将使人们能够快速准确地识别出新冠肺炎，并提供更客观的手段来评估疾病的严重程度。为此，基于深度学习的技术已被用于利用CXR信息，并取得了令人振奋的结果。

然而，现有的基于CXR影像的肺炎检测方法的检测结果的准确性不高，检测结果缺乏说服力，并且在训练样本缺乏时严重影响检测结果的准确性。

发明内容

本发明的目的是针对上述问题，提供一种基于多信息样本类自适应分类网络的COVID-19识别方法，多信息样本类自适应分类网络包括医学影像分析单元、个人经历分析单元和分类器，以个人的胸部X光影像和个人经历数据为输入，对COVID-19进行自动识别、检测，提高COVID-19检测、识别的准确性；多信息样本类自适应分类网络采用样本类自适应分类的方式，缓解样本数较少情况下类别不均衡对训练的不利影响。

本发明的技术方案是基于多信息样本类自适应分类网络的COVID-19识别方法，包括以下步骤：

步骤1：收集不同数据源的不同类别的人体胸部X光影像以及对应的个人经历数据，对其进行分类后，制作成原始数据集；

步骤2：对原始数据集进行数据清洗，对其中的X光影像进行特征增强后，提取X光影像的肺部区域，得到肺部区域数据集；

步骤3：整理肺部区域数据集和处理后的个人经历数据形成目标数据集；

步骤4：利用目标数据集对多信息样本类自适应分类网络进行训练；

步骤5：将待识别的人体胸部X光影像和对应的个人经历数据输入训练好的多信息样本类自适应分类网络，得到COVID-19的识别结果。

步骤2中，采用轻量级特征提取网络对X光影像的肺部区域进行提取，轻量级特征提取网络包括轻量级卷积模块，轻量级卷积模块包括卷积分支、同等映射分支以及Concat连接层和混洗层。