[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

说明书

本发明公开了一种基于协同深度学习和肺部CT图像的COVID‑19检测方法，其中用到的模型由2个预训练的残差神经网络(ResNet‑50)和1个协同网络组成，每个Res‑Net‑50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，该网络具有全连接结构来预测输入图像对是否属于同一类。因此，在每个ResNet‑50的分类误差和两个ResNet‑50的协作误差的监督下，可以端到端地训练协同网络模型，进一步加强网络学习特征表征的能力，能有效地对易混淆样本做出准确的判别。

技术领域

本发明属于医学图像分类检测技术领域，具体涉及一种基于协同深度学习 和肺部CT图像的COVID-19检测方法。

背景技术

目前，使用核酸检测作为新冠的检测结果，核酸检测也被看作是此病症检 测的金标准，但核酸检测耗时长且有一定假阴性，通常需要进行多次检测才能 保证检测结果无误。除此之外，核酸对于早期病变和无症状患者检测都表现出 一定的不足；与其相比CT有更快的检测速度，且有着更为广泛的应有和便宜的 价格。然而，由于新冠肺炎CT与有其他病毒引起的肺炎CT有极大的相似性， 这使得临床的人工诊断耗时耗力，且存在误诊漏诊的可能性。普通的肺炎胸部 CT多体现在肺部炎症性和渗出性的改变，而新冠肺炎的CT早期呈现出的是多 发的小的斑片状影以及间质性的改变，是以肺的外侧带为主，随着病情的进展， 可以发展成为双肺的多发的磨玻璃状影以及浸润影，严重的出现肺实变，这些 不同在CT的表现上是及其相似的。

近几年，随着深度学习的发展，其在医疗图像识别方面的应用也得到了不 错的成绩，尤其是在CT和X光片的识别区分方面；卷积神经网络作为深度学 习中应用较为广泛的神经网络，在疾病的诊断方面做出了极为出色的成就。在 COVID-19全球蔓延的过程中，为了快速完成其诊断并尽可能减少COVID-19对 全球经济生活的损害，许多研究人员将注意力集中在使用深度学习检测方法， 他们大多提出了胸部CT扫描分析的方法，特别提到了区分COVID-19和其他肺 部疾病的问题，即肺炎(CAP)和间质性肺病(IDL)；但在现实状况中这类方法存 在数据集不足的问题，这可能导致准确性差和泛化能力不足，加上它们之间有很强大类间相似性及类内差异性，给分类和诊断问题带来了极大的困扰。

针对数据不足的问题，大量实验已经证明使用迁移学习可以有效地解决医 学影像分类中的小样本学习问题，但并不能改善医学影像中类间相似和类内差 异的问题。

发明内容

鉴于上述，本发明提供了一种基于协同深度学习和肺部CT图像的 COVID-19检测方法，能够实现对COVID-19的识别，并能对不同的肺部疾病进 行分类。

一种基于协同深度学习和肺部CT图像的COVID-19检测方法，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。

进一步地，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。

进一步地，所述残差神经网络ResNet-50采用的损失函数表达式如下：