一种基于ct图像的covid-19检测方法
技术领域
1.本发明涉及基于肺部ct图像的检测方法，尤其是涉及利用序列随机网络的检测是否感染covid-19病毒的方法。
背景技术：
2.在医学ct图像自动检测和分析领域还需要大力探索有效的网络化或基于类脑计算的机器视觉算法。医学影像具有低分辨、含噪声、形态结构复杂等特点。传统方法比如傅里叶变换、小波变换、数学形态学、聚类等传统方法、常用的深度网络模型等难以胜任复杂的人体组分析。如何用ct图像设计出深度学习模型来自动判别、分析病情程度也是急需解决的问题。
技术实现要素：
3.本发明方法针对现有图像分类和检索方法的不足，提出一种能够捕获肺部ct图像一维深度特征序列的随机网络covid-19检测模型，称为lstm-rdn。lstm-rdn图像分类模型由一个长短期记忆模块(lstm)和若干relu-dropout块组成(简称rd块)。lstm是一种循环神经网络，对于每个时刻t，输入会同时提供给lstm网络来学习若干特征序列之间长期依赖的信息。rd块是指由relu激活函数层和丢弃dropout层的组合。relu激活函数表示如下：f(x)＝max(0，x)其中x表示该层元素的输入。dropout层是深度卷积网络中常用的层，在训练时以保留概率p随机选择权重集合w的一个子集保留，即以概率1-p丢弃一部分权重，表示如下：y＝w|
p
*x其中x表示该层的输入，y是该层的输出。在执行分类的时候，输出多乘以概率p，表示如下：y＝w*px进行分类时。
4.本发明采用botnet提取肺部ct图像的一维特征；botnet是google研究人员在论文《bottleneck transformers for visual recognition,arxiv:2101.11605v1》提出的图像分析新模型；botnet将bottleneck transformer块替换了resnet中的bottleneck块，其性能要优于现有的resnet模型。bottleneck transformer结合resnet-18形成bot18模型，transformer结合resnet-200形成bot200模型。本发明同时使用了bot200和bot18两种模型。
5.在具体使用时，采用两次模型训练方式：第一次训练是在公开的大型肺部ct图像数据库上训练这两种模型，得到初始的bot200和bot18两种模型。训练时用整个图像训练bot200，同时分割图像为四块，用来分别训练4个bot18模型。第二次训练是在感染covid-19的肺部ct图像数据库上训练bot200和bot18，该数据库包含正常肺部图像、covid-19感染的肺部ct图像、与covid-19类似的其它病毒感染的肺部ct图像，训练方式与第一次训练相同。
用训练好的bot200提取肺部ct图像全局特征；同时将肺部ct图像分块，分别用4个不同参数的bot18提取出ct肺部的局部特征，并将这些特征拼接，并形成特征数据库。再根据这些特征训练lstm-rdn模型，最后用训练好的lstm-rdn检测该受试者是否感染covid-9病毒。
附图说明
6.图1为本发明的序列随机网络模型lstm-rdn结构图。
7.图2为序列随机网络中的rd块结构示意图。
8.图3为本发明方法实现检测是否感染covid-9病毒的流程图。
9.图4为本发明用bot200和bot18提取肺部ct图像特征示意图。
具体实施方式
10.图1是本发明的序列随机网络lstm-tdn，在网络中，从左到右第一层是序列数据输入层1-特征序列输入层；第二层是2-dropout层；第三层是lstm层；第四层和第五层是由rd块组成的中间层，分别是：4-rd块-1、4-rd块-2所有dropout层的保留概率p设置为0.5；第六层是5-全连接层，该层节点数为训练数据集的类别数；第七层是6-softmax输出层，用以实现图像分类；图2是lstm中rd块的结构；rd块由一个relu层和一个dropout层组成。
11.下面结合附图对本发明方法作进一步说明，具体实施步骤如下：
12.步骤1，用botnet在肺部ct图像数据库上训练：这里采用两次训练方式来训练bot200和bot18两种botnet模型；
13.步骤1.1，在公开的肺部数据库比如rider lung ct dataset、lidc-idri等大型数据库上初次训练bot200和bot18：训练时用整幅肺部ct图像训练bot200，同时分割该幅图像为4块，用来分别训练4个bot18模型；
14.步骤1.2，在针对性的含有covid-19感染的肺部ct图像数据库上训练bot200和bot18：该数据库包含正常肺部图像、covid-19感染的肺部ct图像、与covid-19类似的其它病毒感染的肺部ct图像，训练方式与第一次训练相同；
15.步骤2，用训练后的botnet模型提取肺部ct图像的一维特征，组合成特征向量数据库：用bot200和bot18提取肺部ct图像特征具体过程见图4，首先用bot200提取整幅图像的2048维的全局特征，然后将该图像分为4个局部块，并分别用4个不同参数的bot18提取对应的局部块特征，共4
×
512维特征；然后将全局特征和4个局部特征拼接为一个4096维的肺部ct图像特征；所有肺部ct图像的特征组合成一个新的特征向量数据库；
16.步骤3，在特征向量数据库上训练lstm-rdn网络：将特征向量数据库分为测试集与验证集，设定好lstm-rdn网络的具体参数在训练集上训练，在验证集上验证精度，当验证精度不再提升时终止训练；
17.步骤4，用训练后的lstm-rdn网络检测是否感染covid-19：给定一副图像，首先用bot200和bot18模型提取出该图像的4048维特征向量，将该图像的特征向量输入lstm-rdn网络检测图像；没有感染covid-19则输出1，感染covid-19输出2，感染其它病毒输出3。
技术特征：
1.一种基于ct图像的covid-19检测方法，其特征在于它包括以下步骤：步骤1，用botnet在肺部ct图像数据库上训练：这里采用两次训练方式来训练bot200和bot18两种botnet模型；步骤1.1，在公开的大型肺部数据库上初次训练bot200和bot18：训练时用整幅肺部ct图像训练bot200，同时分割该幅图像为4块，用来分别训练4个bot18模型；步骤1.2，在含有covid-19感染的肺部ct图像数据库上训练bot200和bot18：该数据库包含正常肺部图像、covid-19感染的肺部ct图像、与covid-19类似的其它病毒感染的肺部ct图像，训练方式与步骤1.1中的训练相同；步骤2，用训练后的botnet模型提取肺部ct图像的一维特征，组合成特征向量数据库：用bot200和bot18提取肺部ct图像特征具体过程见图4，首先用bot200提取整幅图像的2048维的全局特征，然后将该图像分为4个局部块，并分别用4个不同参数的bot18提取对应的局部块特征，共4
×
512维特征；然后将全局特征和4个局部特征拼接为一个4096维的肺部ct图像特征；所有肺部ct图像的特征组合成一个新的特征向量数据库；步骤3，在特征向量数据库上训练lstm-rdn网络：将特征向量数据库分为测试集与验证集，设定好lstm-rdn网络的具体参数在训练集上训练，在验证集上验证精度，当验证精度不再提升时终止训练；步骤4，用训练后的lstm-rdn网络检测是否感染covid-19：给定一副图像，首先用bot200和bot18模型提取出该图像的4048维特征向量，将该图像的特征向量输入lstm-rdn网络检测图像；没有感染covid-19则输出1，感染covid-19输出2，感染其它病毒输出3。2.根据权力要求1所述的一种基于ct图像的covid-19检测方法，其特征在于设计了序列随机网络lstm-rdn，在网络中，第一层是序列数据输入层1-特征序列输入层；第二层是2-dropout层；第三层是lstm层；第四层和第五层是由rd块组成的中间层，分别是：4-rd块-1、4-rd块-2所有dropout层的保留概率p设置为0.5；第六层是5-全连接层，该层节点数为训练数据集的类别数；第七层是6-softmax输出层，用以实现图像分类；图2是lstm中rd块的结构；rd块由一个relu层和一个dropout层组成。3.根据权力要求1所述的一种基于ct图像的covid-19检测方法，其特征在于：用bot200提取肺部ct图像全局特征；同时将肺部ct图像分块，分别用4个不同参数的bot18提取出ct肺部的局部特征，并将这些特征拼接，形成肺部ct图像的最终特征。
技术总结
本发明涉及根据肺部CT图像检测是否感染COVID-19病毒的方法。本发明方法针对现有检测方法的不足，提出一种能够捕获图像一维深度特征序列的随机网络图像分类模型，称为LSTM-RDN。LSTM-RDN图像分类模型由一个长短期记忆模块LSTM和若干ReLU-Dropout块组成。检测时，先用BoT200和4个BoT18提取肺部CT图像的4096特征，然后在特征数据库上训练LSTM-RDN模型并进行COVID-19。采用本发明的方法能够准确地预报受试者是否感染COVID-19。19。19。
技术研发人员：李朝荣 覃凤清
受保护的技术使用者：宜宾学院
技术研发日：2021.02.01
技术公布日：2022/8/1