作者：李胜锐 软件学院

指导老师：高跃 软件学院

关键词：计算机视觉 医学影像 超图

摘要

我们在使用医学影像分析肿瘤患者生存情况的工作基础上，将相关经验应用于科技抗疫任务，实现了高精度的新冠与普通肺炎鉴别算法，并基于核心算法开发出了肺炎鉴别和新冠肺炎病灶检测软件系统。

癌症患者存活预测

长期以来，病理学对癌症患者存活时间的预测都建立在病理学家在显微镜下目视分析上，通过经验估计病情严重程度。基于深度学习的方法可以通过大量肿瘤切片的训练捕捉重要特征，而基于超图神经网络的方法可以在充分处理细节特征的同时，用超图建立不同区域的整体关联，实现更为精准的预测。

图1 超图网络的建立

图2 生存时间预测网络流程图

新冠肺炎病灶辅助诊断

新冠肺炎患者的肺部CT图像会有明显的烟花状病变，通过新冠肺炎的这一特征，可以对新冠肺炎的病灶进行检测。该软件系统内部算法采用了NoduleNet框架，通过学习大量新冠肺炎CT图片，可以快速检测分割出新的图片样本，起到辅助诊疗的作用，为相关医疗工作者减轻负担。

图3 NoduleNet网络架构

图4 新冠肺炎辅助诊断软件界面

新冠肺炎与普通肺炎的辨别

新冠与普通肺炎临床表现类似，疫情初期，传统的核酸诊断费用昂贵、在部分地区难以普及，利用肺部CT影像进行肺炎类型辨别具有重要临床意义。基于超图学习的分类算法，可以有效捕捉数据间的高纬特征关联。在此基础上，基于不确定度的超图学习，还可以自动排除错误数据的干扰，强化关键数据的权重，进一步提供准确度。

图5 基于不确定度赋权的超图学习流程图