一种基于多特征融合及对比学习的高原肺水肿预测方法

本发明涉及一种医疗技术，尤其涉及一种基于多特征融合和对比学习的高原肺水肿预测方法。

背景技术：

1、在高海拔地区，由于氧气稀薄，身体所受的氧气供应不足，容易引发高原病，其中包括高原肺水肿。高原肺水肿是一种严重的肺部疾病，其发病率和死亡率较高。传统的高原肺水肿的诊断方法通常依赖于人工观察和分析肺部ct影像。但是，这种方法存在操作复杂、精度不高等问题。近年来，随着深度学习技术的发展，利用卷积神经网络进行肺部影像的自动分析和诊断逐渐成为一种新的研究方向。

2、然而，利用传统的卷积神经网络进行肺部影像的自动分析和预测存在一些限制，例如特征提取的局限性、不同病例之间的差异等。因此，研究人员提出了一种基于多特征融合和对比学习的高原肺水肿预测诊断方法。本方法采用dense-u-net模型进行全自动的病灶分割，并构建两分支特征学习网络来学习病灶和全肺特征。在训练时，随机选择两个样本构建样本对，并使用共享权重的网络对样本对中的两个样本进行全肺特征提取和病灶特征提取，然后通过对比学习的方式对两个样本的特征进行距离度量。通过结合特征距离和交叉熵损失函数，本方法可以使同一类别的样本的深度学习特征相似，不同类别的样本的深度学习特征差异大，从而优化特征，提高分类精度。相比于传统的卷积神经网络方法，本方法具有更好的诊断精度和更高的自动化程度。

技术实现思路

1、本发明公开了一种基于多特征融合和对比学习的高原肺水肿预测诊断方法。该方法使用卷积神经网络模型对高原肺水肿ct影像进行全自动分析和分类，可以实现对高原肺水肿的预测。

2、具体地，该方法包括以下步骤：

3、s1、基于dense-u-net的全自动病灶分割算法，用于自动分割出高原肺水肿ct影像中的病灶区域；

4、s2、构建两分支特征学习网络，分别用于学习病灶和全肺的特征，通过多特征融合的方式，提高分类准确率；

5、s3、样本对构建，采用随机选取两个样本构建成样本对的方式，用于训练网络进行特征学习和对比学习；

6、s4、对比特征学习，通过特征对比学习的方式，对样本对中的两个样本进行全肺特征提取和病灶特征提取，以特征距离的方式对两个样本进行距离度量；若两个样本属于同样的标签，则两个样本的全肺特征和病灶特征分别距离较近；若两个样本属于不同的标签，则两个样本的肺特征和病灶特征分别距离较远；

7、s5、高原肺水肿预测

8、在训练好模型后，将步骤s4中的孪生网络中的一支网络取出，实现对未知的高原肺水肿ct影像的预测。

9、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于多特征融合及对比学习的高原肺水肿预测方法，其特征在于：包括以下步骤：

技术总结
本发明公开了一种高原肺水肿预测诊断方法，包括以下步骤：S1、基于Dense‑U‑Net的全自动病灶分割算法；S2、构建两分支特征学习网络，学习病灶及全肺特征；S3、样本对构建；S4、对比特征学习；S5、高原肺水肿预测。本发明采用上述的基于多特征融合及对比学习的卷积神经网络模型，可全自动地对高原肺水肿CT影像进行分析，进而实现高原肺水肿的预测。相比于使用单一的卷积神经网络进行分类，本方法使用多特征融合及特征对比学习，在训练时随机选取两个样本构建成样本对，然后使用共享权重的网络对样本对中的两个样本进行全肺特征提取及病灶特征提取；通过特征对比学习的方式，对两个样本的特征进行距离度量，若两个样本属于同样的预测，则两个样本的全肺特征和病灶特征分别距离较近；若两个样本属于不同的预测，则两个样本的肺特征和病灶特征分别距离较远。通过结合特征距离与交叉熵损失函数，可使得同一类别的样本其深度学习特征相似，不同类别的样本其深度学习特征差异大，进而对特征进行优化融合，提升分类精度。

技术研发人员：高全胜
受保护的技术使用者：军事科学院军事医学研究院环境医学与作业医学研究所
技术研发日：
技术公布日：2024/1/15