[发明专利]基于协同深度学习和肺部CT图像的COVID-19检测方法

权利要求书

1.一种基于协同深度学习和肺部CT图像的COVID-19检测方法，其特征在于：首先构建由两个残差神经网络ResNet-50和一个协同网络所组成的检测模型，所述残差神经网络ResNet-50用于学习图像表示和分类并将学习到的图像表示作为协同网络的输入；然后利用包含有COVID-19的训练集肺部CT图像对该模型进行训练，最后利用训练完成的模型对测试集肺部CT图像进行检测分类。

2.根据权利要求1所述的COVID-19检测方法，其特征在于：在对模型进行训练之前需对训练集肺部CT图像进行预处理，首先采用双三次内插将每张图像重塑为相同的大小，并对图像进行宽度/中心的缩放以增强对比度；然后对图像进行二值化处理，使用腐蚀算法去除图像中的噪声，使用闭运算去除图像边缘的空洞，同时采用开合操作用以移除图像中差异较大的床层区域，最后通过补水法提取完整的肺部区域作为ROI输入至模型。

3.根据权利要求1所述的COVID-19检测方法，其特征在于：所述残差神经网络ResNet-50采用的损失函数表达式如下：

式中：L(θ)为残差神经网络ResNet-50在参数θ下的损失函数，N为每个批次输入的样本数量，K为分类数量，为本批次内第i个样本输入至残差神经网络ResNet-50在倒数第二个全连接层所生成的深度特征，其中下标j表示该样本输入至残差神经网络ResNet-50检测输出的类别，l{y(i)＝j}为判别函数，若y(i)＝j成立，则l{y(i)＝j}＝1，否则l{y(i)＝j}＝0，y(i)为第i个样本的真值类别。

4.根据权利要求1所述的COVID-19检测方法，其特征在于：所述协同网络由嵌入层、全连接学习层和输出层依次连接组成，两个残差神经网络ResNet-50在倒数第二个全连接层生成的深度特征分别表示为f_A和f_B，将f_A与f_B进行联结得到一个组合特征f_A,B输入至协同网络中，得到的输出结果用于判断输入至两个残差神经网络ResNet-50的图像对是否属于同一类别，如果存在协同错误，则提供校正反馈。

5.根据权利要求1所述的COVID-19检测方法，其特征在于：所述协同网络采用的损失函数表达式如下：

式中：L_s(θ^s)为协同网络在参数θ^s下的损失函数，为协同网络的输出结果，y_s为协同网络的标签值，y_A和y_B为输入至两个残差神经网络ResNet-50的图像对的真值类别。

6.根据权利要求1所述的COVID-19检测方法，其特征在于：根据残差神经网络ResNet-50和协同网络的损失函数采用小批量随机梯度下降算法对模型进行训练以优化模型参数。

7.根据权利要求1所述的COVID-19检测方法，其特征在于：利用训练完成的模型进行测试时，将测试图像对分别输入至两个残差神经网络ResNet-50，对应得到两个预测向量P(A)和P(B)即残差神经网络ResNet-50中最后一个全连接层的输出，此时额外的协同网络在最后的分类预测中被丢弃，最终的输出预测结果为y：

其中：M为预测向量的维度，P(A)_i和P(B)_i分别为预测向量P(A)和P(B)中第i个元素值。

8.根据权利要求1所述的COVID-19检测方法，其特征在于：该方法同时从多个图像中学习区分特征的表示，使协同深度学习模型中的ResNet-50模块能够在学习过程中相互促进，因为如果一个ResNet-50做出正确的决定，则另一个ResNet-50的错误可能会导致协同错误，从而实时地将两个ResNet-50产生的协同错误进行反向传播、修正网络的权值，进一步加强网络的表征能力，针对易混淆样本提高了其训练权重，可以对其做出更准确地判别。