本发明涉及人工智能技术领域，具体涉及一种基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统。
背景技术：
自2019年12月以来，由新型冠状病毒导致的新型冠状病毒肺炎(covid-19，简称新冠肺炎)疫情已经蔓延至全球，并相继在各个国家爆发。世界卫生组织于2020年1月30日宣布covid-19为全球公共卫生紧急事件，我国已将该病纳入按甲类传染病管理的乙类传染病。到2020年9月10日为止，全球超过了两千八百万人被确证感染covid-19病毒，并有九十多万人因此而失去生命。根据世界卫生组织的报告数据，有16-21%的人在感染了covid-19病毒后的病程进展会发展成重症或者危重症，并伴随着2-3%的死亡率，且该病毒的基本传染数r0达到了惊人的3.77。因此，快速诊断新冠肺炎，筛查预后较差的高危患者，对早期预防和优化医疗资源具有重要意义。
covid-19诊断标准包括临床症状，流行病学史，病毒核酸检测和ct影像学表现。对于covid-19的临床症状有：呼吸道症状，发热，咳嗽，呼吸困难和肺部炎症等呼吸道症状，但是有一些常见的流行性感冒或者肺部感染与covid-19有着相似的临床症状，因此需要进一步进行病毒核酸检测才能确诊。核酸检测的一般流程是用咽拭子对受试者的口咽部进行取样，并且需要在2-8摄氏度的环境下进行运输和保存，最后在实验室中进行pcr核酸检测。利用核酸检测来筛选covid-19感染者对于控制疫情的蔓延有着至关重要的作用，但是在病毒大范围扩散的情况下，为检测机构提供数量巨大且质量可靠的检测试剂盒是一项挑战性非常大的工作。另一方面，核酸检测需要遵守严格的实验室操作规范，其检测结果受样本采集方法，核酸的提取方式，pcr扩增系统等因素的影响，且至少需要数个小时才能得到结果，总体来看核酸检测方法的检出正确率仅为30-50%。因此，核酸检测方法的灵敏度有限以及疫区检测试剂盒的短缺增加了筛查负担，许多感染者没有立即被隔离,对疫情的防控带来很大的难度和风险。
胸部ct影像是用来对covid-19患者进行诊断的重要工具，covid-19患者早期的在胸部ct影像学特征主要为单发或者多发的斑片状磨玻璃影，伴有小叶间隔增厚；进展期主要表现为病灶增多，范围扩大，磨玻璃影与实影或条索影共存；重症期的主要表现为双肺弥漫性病变，实变影为主，伴磨玻璃影及空气支气管征，少数呈“白肺”现象。在2020年2月19日国家卫生健康委员会发布的《新型冠状病毒肺炎诊疗方案（试行第六版）》指南中，将放射医师根据胸部ct影像学表现的诊断结果作为covid-19的诊断标准之一。虽然胸部ct检查对于疑似病例的早期筛查具有很大的帮助，但其他类型的病毒性肺炎与covid-19有着相似的ct影像学表现。因此，仅仅凭胸部ct的影像学表现，放射科医师很难将covid-19与其他病毒性肺炎区分开来。
因此急需新的、可快速准确地诊断covid-19感染的方法。
技术实现要素：
针对现有技术存在的不足，本发明的目的在于提供一种基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统。
为实现上述目的，本发明提供了如下技术方案：
一种基于放射组学的covid-19快速特征提取系统，其用于获取ct图像中关于coivd-19的放射组学特征，且其包括：
用于待检人员ct图像输入的图像输入单元以及特征提取单元，所述特征提取单元通过建立基于ct图像coivd-19放射组学特征自动化提取模型以获取待检人员ct图像的放射组学特征，
其中ct图像coivd-19放射组学特征自动化提取模型建立步骤如下：
一、根据设定的ct图像筛选标准，对采集的covid-19患者ct图像进行筛选；
二、对筛选后的covid-19患者ct图像进行图像预处理；
三、对预处理后的covid-19患者ct图像进行感兴趣区域分割，并形成训练图像；
四、基于深度卷积神经网络对训练图像进行训练，并得到感兴趣区域深度卷积神经网络自动分割模型；
五、基于感兴趣区域深度卷积神经网络自动分割模型分割后的图像，构建基于ct图像coivd-19放射组学特征的自动化提取模型。
步骤二中包含以下步骤：
1）对筛选后的covid-19患者ct图像进行空间重采样和校正；
2）对筛选后的covid-19患者ct图像进行灰度值重采样；
3）设定灰度值范围及离散化程度，对筛选后的covid-19患者ct图像进行离散化处理；
4）对筛选后的covid-19患者ct图像进行滤波处理，并对筛选后的covid-19患者ct图像的尺寸进行裁剪。
步骤四中对输入的训练图像进行下采样提取特征操作，将每层下采样提取到的特征与对应的向上恢复细节信息的通路连接，然后经过卷积残差块的残差模块处理，并以相似度dice系数值来判断神经网络的自动分割结果，进一步测试和优化卷积神经网络参数，得到基于深度学习的感兴趣区域深度卷积神经网络自动分割模型。
一种基于上述的基于放射组学的covid-19快速特征提取系统的快速诊断系统，其包括：基于放射组学的covid-19快速特征提取系统，用于提取具有预测价值的ct图像放射组学特征；
coivd-19阳性预测系统，其包括利用机器学习算法支持向量机建立的初始放射组学特征对coivd-19阳性的筛选模型，
所述coivd-19阳性预测系统根据covid-19快速特征提取系统的快速诊断系统提取的具有预测价值的ct图像放射组学特征，对待检人员进行是否为coivd-19阳性的判断。
具有预测价值的ct图像放射组学特征的确定如下：
1)利用组内相关性分析方法，以组内一致性值为评价指标，判断单个组学特征在不同患者之间的稳定性，筛选出稳定性高、鲁棒性好、有分析价值的ct图像放射组学特征；
2）利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性结果之间的关联关系，确定组学特征对coivd-19阳性的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对coivd-19阳性的预测能力，筛选出有预测价值的ct图像放射组学特征。
对提取的具有预测价值的ct图像放射组学特征进行降维处理。
一种基于上述的基于放射组学的covid-19快速特征提取系统的病程预测系统，其包括：基于放射组学的covid-19快速特征提取系统，用于提取具有预测价值的ct图像放射组学特征以及有预测价值的临床特征参数；
病程预测系统，其包括利用机器学习算法支持向量机建立的初始的放射组学特征联合临床参数特征对coivd-19阳性患者病程的预测模型，
病程预测系统根据covid-19快速特征提取系统的快速诊断系统提取的具有预测价值的ct图像放射组学特征，对待检人员的进行病程预测。
所述具有预测价值的ct图像放射组学特征的确定如下：
1）利用组内相关性分析方法筛选出稳定性高、鲁棒性好的ct图像放射组学特征；
2）利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性患者病程之间的关联关系，确定组学特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的ct图像放射组学特征；
3）利用mann-whitney检验和卡方检验方法研究临床特征参数与coivd-19阳性患者病程之间的关联关系，确定临床特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个临床特征参数联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的临床特征参数。
本发明的有益效果：
1、感兴趣区域深度卷积神经网络自动分割模型具有泛化性好、灵敏度、特异性高的特点，可以极大的降低因为检查设备、医师操作习惯、医师诊断经验对分割结果带来的影响，确保被提取特征的稳定性，从而提升ct图像放射组学特征预测模型预测效果；
2、快速诊断系统具有灵敏度高，准确性好的特点，可以快速筛查出coivd-19阳性患者，有助于控制coivd-19病毒的蔓延和扩散，提高对coivd-19病毒的防控效果；
3、病程预测系统可筛查高危患者，优化医疗资源配置，有助于提升covid-19治疗效果和降低死亡率。
附图说明
图1为本发明的covid-19患者ct图像预处理流程示意图。
图2为本发明的图像分割流程示意图。
图3为本发明的ct图像放射组学特征筛选与降维示意图。
图4为本发明的技术路线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
基于放射组学的预测分析的关键步骤是对图像中的感兴趣区域进行分割和特征提取，而构建一个泛化能力强的预测模型的前提条件是用大量的数据来进行预测模型的训练和验证。因此，如果对大数据量ct图像的感兴趣区域采用传统人工分割的方式，存在着工作量巨大、分割质量不稳定，从而影响提取特征的鲁棒性，最终对模型的构建产生巨大的影响。本发明拟采用深度学习的方法来构建基于ct图像的covid-19患者肺部病灶区域自动分割方法。研究高效、重复性好的感兴趣区域自动分割方法，提升感兴趣区域的分割速度和精度，为影像学资料的放射组学特征提取和特征分析奠定基础，确保放射组学特征对临床参数预测模型构建的高质量。
高质量、鲁棒性好的ct图像特征是构建高准确性放射组学预测模型的基础。本发明拟建立基于python语言的放射组学特征提取方法，基于以下特征类：一阶统计特征、形状特征（2dor3d）、纹理特征，其中纹理特征包括灰度共生矩阵（glcm）特征、灰度大小区域矩阵（glszm）特征、灰度游程长度矩阵（glrlm）特征，邻域灰度差矩阵（ntgdm）特征和灰度差异矩阵（gldm）特征，通过编程读取整个感兴趣区域的放射组学特征参数。并进一步对提取算法进行测试和优化，确保提取的特征重复性高、鲁棒性好。
如图所示，本发明提供了一种基于放射组学的covid-19快速特征提取系统，其用于获取ct图像中关于coivd-19的放射组学特征，且其包括：
用于待检人员ct图像输入的图像输入单元以及特征提取单元，所述特征提取单元通过建立基于ct图像coivd-19放射组学特征自动化提取模型以获取待检人员ct图像的放射组学特征，
其中ct图像coivd-19放射组学特征自动化提取模型建立步骤如下：
一、根据设定的ct图像筛选标准，对采集的covid-19患者ct图像进行筛选；首先完成对covid-19患者ct影像学资料的收集和筛选，根据研究预先设定的影像数据筛选标准，剔除不符合研究要求的影像资料，完成原始影像学资料的筛选和整理；
二、对筛选后的covid-19患者ct图像进行图像预处理；
1）对筛选后的covid-19患者ct图像进行空间重采样和校正；
2）对筛选后的covid-19患者ct图像进行灰度值重采样；
3）设定灰度值范围及离散化程度，对筛选后的covid-19患者ct图像进行离散化处理；
4）对筛选后的covid-19患者ct图像进行进行滤波处理，并对筛选后的covid-19患者ct图像的尺寸进行裁剪。
三、对预处理后的covid-19患者ct图像进行感兴趣区域分割，并形成训练图像；
四、基于深度卷积神经网络对训练图像进行训练，并得到感兴趣区域深度卷积神经网络自动分割模型；
以深度卷积神经网络refinenet为基础，将已完成感兴趣区域分割的图像输入到卷积神经网络中进行训练。如图2所示，refinenet对输入的coivd-19患者ct图像进行下采样提取特征操作，将每层下采样提取到的特征与右侧对应的向上恢复细节信息的通路连接，然后经过右侧提出的残差模块处理，尽可能地减少图像细节的丢失，提高ct图像分割的准确度。以相似度dice系数值及其他参数为评价指标来判断神经网络的自动分割结果，进一步测试和优化卷积神经网络参数，得到基于深度学习的高效、重复性好的感兴趣区域深度卷积神经网络自动分割模型。
五、基于感兴趣区域深度卷积神经网络自动分割模型分割后的图像，构建基于ct图像coivd-19放射组学特征的自动化提取模型，利用python软件读入已完成分割的图像；进一步利用pyradiomics工具包读取放射学特征，构建基于ct图像coivd-19放射组学特征的自动化提取模型，实现特征的自动提取。
针对ct图像提取的初始特征数量巨大、多维度特性，测试不同的特征降维和筛选方法。基于各个算法的原理和适用范围，并综合比较不同方法之间的降维和筛选结果，确定最优的特征降维和筛选方法。采用多种相关性分析检验方法，分析单个或者多个放射组学特征与coivd-19阳性结果之间的关联关系，确定放射组学特征对covid-19患者的预测价值和能力。运用多种基于机器学习的建模方法，建立ct放射组学放射组学特征的coivd-19患者快速诊断模型。
基于大数据集所训练的神经网络自动分割模型具有泛化性好、灵敏度、特异性高的特点，可以极大的降低因为检查设备、医师操作习惯、医师诊断经验对分割结果带来的影响，确保被提取特征的稳定性，从而提升ct图像放射组学特征预测模型预测效果。
一种基于上述的基于放射组学的covid-19快速特征提取系统的快速诊断系统，其包括：基于放射组学的covid-19快速特征提取系统，用于提取具有预测价值的ct图像放射组学特征，其中具有预测价值的ct图像放射组学特征包括形状特征、尺寸特征和灰度共生矩阵特征等；
coivd-19阳性预测系统，其包括利用机器学习算法支持向量机建立的初始放射组学特征对coivd-19阳性的筛选模型，
1.利用组内相关性分析（icc系数）对自动提取的大数量的放射组学特征进行相关性分析，筛选出鲁棒性高的放射组学特征；
2.进一步利用mann-whitneyu检验筛选出与covid-19具有相关性（p<0.05）的放射组学特征；
3.最后将与covid-19具有相关性的放射组学特征输入到支持向量机中进行covid-19阳性筛选模型的训练。
首先利用组内相关性分析方法，以组内一致性（icc）值为评价指标，判断单个组学特征在不同患者之间的稳定性，从而在大数量的组学特征中筛选出稳定性高、鲁棒性好、有分析价值的ct图像放射组学特征。
基于训练集的组学特征数据，利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性结果之间的关联关系，确定组学特征对coivd-19阳性的预测价值和能力，并进一步利用受试者工作特征曲线(roc)分析单个或多个特征联合对coivd-19阳性的预测能力，筛选出有预测价值的ct图像放射组学特征。
利用基于多种机器学习方法，如最大相关性最小冗余(mrmr)、主成分分析(pca)、最小绝对收缩与选择(lasso)等算法对提取出的大量组学特征进行降维处理，比较不同算法对组学特征数据的降维效果，确定最佳的组学特征降维方法，如图3所示。
将降维筛选出的组学特征输入到按监督学习的机器学习算法支持向量机（svm）中，训练建立初始的组学特征对coivd-19阳性的筛选模型，进一步基于验证集的组学特征数据和检测结果，对初始预测模型的预测效果进行验证，并根据验证结果对模型的关键参数进行优化和调试，最终得到预测价值高、可信度好的组学特征对coivd-19阳性的预测模型。
所述coivd-19阳性预测系统根据covid-19快速特征提取系统的快速诊断系统提取的具有预测价值的ct图像放射组学特征，对待检人员进行是否为coivd-19阳性的判断。
具有预测价值的ct图像放射组学特征的确定如下：
1)利用组内相关性分析方法，以组内一致性值为评价指标，判断单个组学特征在不同患者之间的稳定性，筛选出稳定性高、鲁棒性好、有分析价值的ct图像放射组学特征；
2）利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性结果之间的关联关系，确定组学特征对coivd-19阳性的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对coivd-19阳性的预测能力，筛选出有预测价值的ct图像放射组学特征。
对从coivd-19患者ct图像中提取的大量放射组学特征进行降维和筛选是放射组学分析的一个重要步骤。首先利用组内相关性分析方法，筛选出重复性高、鲁棒性好的特征；利用最大相关性最小冗余(mrmr)、主成分分析(pca)、最小绝对收缩与选择(lasso)等算法对特征进行降维处理；建立基于机器学习的特征降维和筛选方法。为了建立基于ct图像的coivd-19阳性患者预测模型，在训练集中利用相关性分析方法研究放射组学特征与coivd-19阳性患者之间的相关性；利用机器学习构建诊断模型；在验证集中验证预测模型的预测价值和准确性，完成诊断模型的构建。
基于ct图像的coivd-19阳性患者快速诊断模型具有灵敏度高，准确性好的特点，可以快速筛查出coivd-19阳性患者，有助于控制coivd-19病毒的蔓延和扩散，提高对coivd-19病毒的防控效果。
由于16-21%的covid-19患者的临床表现可从轻症到重症再到危重症，并伴随着2-3%的死亡率。因此，构建covid-19患者病程预测模型对于优化医疗资源配置，提升covid-19治疗效果和降低死亡率至关重要。利用相关性检验方法筛选出于coivd-19阳性结果具有相关性的临床特征参数，研究临床特征参数和放射组学特征对covid-19患者病程的预测价值和能力。运用多种基于深度学习的建模方法，建立临床参数与ct放射组学特征的coivd-19患者病程预测联合模型，构建自动化筛查和预测系统。
一种基于上述的基于放射组学的covid-19快速特征提取系统的病程预测系统，其包括：基于放射组学的covid-19快速特征提取系统，用于提取具有预测价值的ct图像放射组学特征以及有预测价值的临床特征参数，其中具有预测价值的ct图像放射组学特征包括尺寸特征和灰度共生矩阵特征等，有预测价值的临床特征参数包括血生化指标等指标；
病程预测系统，其包括利用机器学习算法支持向量机建立的初始的放射组学特征联合临床参数特征对coivd-19阳性患者病程的预测模型，
1.利用组内相关性分析（icc系数）对自动提取的大数量的放射组学特征进行相关性分析，筛选出鲁棒性高的放射组学特征；
2.进一步利用mann-whitneyu检验、卡方筛选出与covid-19患病程度具有相关性（p<0.05）的放射组学特征和临床参数；
3.最后将与covid-19患病程度具有相关性的放射组学特征和临床参数输入到支持向量机中进行covid-19阳性患者病程预测模型的训练。
基于训练集的放射组学特征数据，利用组内相关性分析方法筛选出稳定性高、鲁棒性好的ct图像放射组学特征。利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性患者病程之间的关联关系，确定组学特征对coivd-19阳性患者病程的预测价值和能力，利用受试者工作特征曲线(roc)分析单个或多个特征联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的ct图像放射组学特征。利用基于多种机器学习方法，如最大相关性最小冗余(mrmr)、主成分分析(pca)、最小绝对收缩与选择(lasso)等算法对提取出的大量组学特征进行降维处理，及筛选出有较高预测价值的组学特征。
利用mann-whitney检验和卡方检验方法研究临床特征参数与coivd-19阳性患者病程之间的关联关系，确定临床特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线(roc)分析单个或多个临床特征参数联合对coivd-19阳性患者病程的预测能力，筛选出有较高预测价值的临床特征参数。
将筛选出的组学特征参数与临床特征参数输入到机器学习算法支持向量机（svm）中，训练建立初始的放射组学特征联合临床参数特征对coivd-19阳性患者病程的预测模型，将国外课题研究合作伙伴的统计数据作为验证集，对初始预测模型的预测效果进行验证，并根据验证结果对模型的关键参数进行优化和调试，最终得到预测价值高、可信度好的放射组学联合临床参数对coivd-19阳性患者病程的预测模型。
利用深度学习，结合自动勾画、自动放射组学特征提取模型，以及诊断和病程进展预测模型，构建coivd-19患者自动筛查和病程预测系统。
病程预测系统根据covid-19快速特征提取系统的快速诊断系统提取的具有预测价值的ct图像放射组学特征，对待检人员的进行病程预测。
所述具有预测价值的ct图像放射组学特征的确定如下：
1）利用组内相关性分析方法筛选出稳定性高、鲁棒性好的ct图像放射组学特征；
2）利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性患者病程之间的关联关系，确定组学特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的ct图像放射组学特征；
3）利用mann-whitney检验和卡方检验方法研究临床特征参数与coivd-19阳性患者病程之间的关联关系，确定临床特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个临床特征参数联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的临床特征参数。
coidv-19快速传播给各个国家的医疗资源利用带来了极大的挑战，如何优化医疗资源配置，合理救治急需患者成为疫情防控的关键。本研究将利用机器学习，构建coivd-19患者病情进展预测模型；利用深度学习，结合自动勾画和放射组学特征自动提取模型以及诊断模型，构建完成coivd-19患者自动化筛查和病程预测系统，筛查高危患者，优化医疗资源配置。
基于深度学习的患者自动化筛查和病程预测系统，可筛查高危患者，优化医疗资源配置，有助于提升covid-19治疗效果和降低死亡率。
实施例不应视为对本发明的限制，但任何基于本发明的精神所作的改进，都应在本发明的保护范围之内。
1.一种基于放射组学的covid-19快速特征提取系统，其特征在于：其用于获取ct图像中关于coivd-19的放射组学特征，且其包括：
用于待检人员ct图像输入的图像输入单元以及特征提取单元，所述特征提取单元通过建立基于ct图像coivd-19放射组学特征自动化提取模型以获取待检人员ct图像的放射组学特征，
其中ct图像coivd-19放射组学特征自动化提取模型建立步骤如下：
一、根据设定的ct图像筛选标准，对采集的covid-19患者ct图像进行筛选；
二、对筛选后的covid-19患者ct图像进行图像预处理；
三、对预处理后的covid-19患者ct图像进行感兴趣区域分割，并形成训练图像；
四、基于深度卷积神经网络对训练图像进行训练，并得到感兴趣区域深度卷积神经网络自动分割模型；
五、基于感兴趣区域深度卷积神经网络自动分割模型分割后的图像，构建基于ct图像coivd-19放射组学特征的自动化提取模型。
2.根据权利要求1所述的基于放射组学的covid-19快速特征提取系统，其特征在于：步骤二中包含以下步骤：
1）对筛选后的covid-19患者ct图像进行空间重采样和校正；
2）对筛选后的covid-19患者ct图像进行灰度值重采样；
3）设定灰度值范围及离散化程度，对筛选后的covid-19患者ct图像进行离散化处理；
4）对筛选后的covid-19患者ct图像进行滤波处理，并对筛选后的covid-19患者ct图像的尺寸进行裁剪。
3.根据权利要求1所述的基于放射组学的covid-19快速特征提取系统，其特征在于：步骤四中对输入的训练图像进行下采样提取特征操作，将每层下采样提取到的特征与对应的向上恢复细节信息的通路连接，然后经过卷积残差块的残差模块处理，并以相似度dice系数值来判断神经网络的自动分割结果，进一步测试和优化卷积神经网络参数，得到基于深度学习的感兴趣区域深度卷积神经网络自动分割模型。
4.一种基于权利要求1至3任意一项所述的基于放射组学的covid-19快速特征提取系统的快速诊断系统，其特征在于：其包括：基于放射组学的covid-19快速特征提取系统，用于提取具有预测价值的ct图像放射组学特征；
coivd-19阳性预测系统，其包括利用机器学习算法支持向量机建立的初始放射组学特征对coivd-19阳性的筛选模型，
所述coivd-19阳性预测系统根据covid-19快速特征提取系统的快速诊断系统提取的具有预测价值的ct图像放射组学特征，对待检人员进行是否为coivd-19阳性的判断。
5.根据权利要求4所述的快速诊断系统，其特征在于：具有预测价值的ct图像放射组学特征的确定如下：
1)利用组内相关性分析方法，以组内一致性值为评价指标，判断单个组学特征在不同患者之间的稳定性，筛选出稳定性高、鲁棒性好、有分析价值的ct图像放射组学特征；
2）利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性结果之间的关联关系，确定组学特征对coivd-19阳性的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对coivd-19阳性的预测能力，筛选出有预测价值的ct图像放射组学特征。
6.根据权利要求4所述的快速诊断系统，其特征在于：对提取的具有预测价值的ct图像放射组学特征进行降维处理。
7.一种基于权利要求1至3中任意一项所述的基于放射组学的covid-19快速特征提取系统的病程预测系统，其特征在于：其包括：基于放射组学的covid-19快速特征提取系统，用于提取具有预测价值的ct图像放射组学特征以及有预测价值的临床特征参数；
病程预测系统，其包括利用机器学习算法支持向量机建立的初始的放射组学特征联合临床参数特征对coivd-19阳性患者病程的预测模型，
病程预测系统根据covid-19快速特征提取系统的快速诊断系统提取的具有预测价值的ct图像放射组学特征，对待检人员的进行病程预测。
8.根据权利要求7所述的病程预测系统，其特征在于：所述具有预测价值的ct图像放射组学特征的确定如下：
1）利用组内相关性分析方法筛选出稳定性高、鲁棒性好的ct图像放射组学特征；
2）利用斯皮尔曼相关性分析和mann-whitney检验方法研究组学特征与coivd-19阳性患者病程之间的关联关系，确定组学特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个特征联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的ct图像放射组学特征；
3）利用mann-whitney检验和卡方检验方法研究临床特征参数与coivd-19阳性患者病程之间的关联关系，确定临床特征对coivd-19阳性患者病程的预测价值和能力，并进一步利用受试者工作特征曲线分析单个或多个临床特征参数联合对coivd-19阳性患者病程的预测能力，筛选出有预测价值的临床特征参数。
技术总结