CN111341459A - 分类深度神经网络模型的训练方法、遗传病检测方法 - Google Patents
分类深度神经网络模型的训练方法、遗传病检测方法 Download PDFInfo
- Publication number
- CN111341459A CN111341459A CN202010127217.4A CN202010127217A CN111341459A CN 111341459 A CN111341459 A CN 111341459A CN 202010127217 A CN202010127217 A CN 202010127217A CN 111341459 A CN111341459 A CN 111341459A
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- deep neural
- classification
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 96
- 208000026350 Inborn Genetic disease Diseases 0.000 title claims abstract description 66
- 208000016361 genetic disease Diseases 0.000 title claims abstract description 64
- 238000003062 neural network model Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 208000028782 Hereditary disease Diseases 0.000 abstract description 2
- 208000024556 Mendelian disease Diseases 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 208000011580 syndromic disease Diseases 0.000 description 3
- 208000035977 Rare disease Diseases 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 201000010028 Acrocephalosyndactylia Diseases 0.000 description 1
- 208000025490 Apert syndrome Diseases 0.000 description 1
- 206010064063 CHARGE syndrome Diseases 0.000 description 1
- 201000009343 Cornelia de Lange syndrome Diseases 0.000 description 1
- 206010066946 Craniofacial dysostosis Diseases 0.000 description 1
- 201000006526 Crouzon syndrome Diseases 0.000 description 1
- 208000003471 De Lange Syndrome Diseases 0.000 description 1
- 201000010374 Down Syndrome Diseases 0.000 description 1
- 208000007367 Kabuki syndrome Diseases 0.000 description 1
- 206010029748 Noonan syndrome Diseases 0.000 description 1
- 208000006289 Rett Syndrome Diseases 0.000 description 1
- 206010039281 Rubinstein-Taybi syndrome Diseases 0.000 description 1
- 206010062282 Silver-Russell syndrome Diseases 0.000 description 1
- 201000003696 Sotos syndrome Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种分类深度神经网络模型的训练方法及装置、遗传病检测方法及装置。训练方法包括：构建遗传病数据集；其中遗传病数据集包括遗传病人脸数据集和分类标签；将遗传病数据集中的训练集输入至分类深度神经网络的预训练模型以得到分类向量，并基于分类向量和分类标签确定分类损失代价函数值；基于分类损失代价函数值和训练参数对分类深度神经网络的预训练模型进行训练，直至分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。本技术方案可以自动对患者的照片或视频进行检测，辅助医生进行遗传病的判断，有利于节省大量的人力物力，同时可以缓解医疗资源的紧张和不平衡等问题。
Description
技术领域
本发明涉及深度学习技术领域，特别涉及一种分类深度神经网络模型的训练方法及装置、遗传病检测方法及装置。
背景技术
现在对于遗传病的检测，主要是通过采集被测试人员的血液然后通过基因检测或生化，染色体等检测方法，并结合医生人工的临床资料分析及判断来得出最后的诊断结果。由于这种方法全程都需要人工以及高级医疗设备的参与，存在着以下方面的不足：
1现有的人工检测的技术方法需要医护人员的全程参与，以及部分高级的医疗检测设备，需要投入巨大的人力成本，设备成本以及时间成本。
2因为医疗设备的原因，被测试的人员只能前往有特定资质的医院进行就医检查。而对于偏远欠发达地区来说，这无疑是一个比较苛刻的条件。医院资源的不平衡会造成就医的不方便以及部分医生负担过重的情况。
基于现有的人工检测技术无法很好解决上述的问题，需要更为方便快捷的方式来进行遗传病的检测或筛查。
发明内容
本发明解决的问题是现有的人工检测技术需要医护人员全程参与，且需要有高级的医疗检测设备，成本较高。
为解决上述问题，本发明实施例提供了一种分类深度神经网络模型的训练方法，所述分类深度神经网络模型用于遗传病检测，包括：构建遗传病数据集；其中，所述遗传病数据集包括遗传病人脸数据集和分类标签；将所述遗传病数据集中的训练集输入至所述分类深度神经网络的预训练模型以得到分类向量，并基于所述分类向量和所述分类标签确定分类损失代价函数值；基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练，直至所述分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。
可选的，所述基于所述分类向量和所述分类标签确定分类损失代价函数值包括：将所述分类向量和所述分类标签进行交叉熵计算，以确定所述分类损失代价函数值。
可选的，所述分类深度神经网络的预训练模型是由深度卷积神经网络ResNet50在数据集VGGFace2上进行训练，且达到到符合要求的检测准确率后得到的。
可选的，分类损失代价函数为：
其中，xi表示输入的图片，p(xi)表示图片xi的分类标签，q(xi)表示图片xi的分类向量，i＝1,…,N，表示每个批次的图片。
可选的，所述基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练采用的方法是随机梯度下降法。
可选的，所述遗传病人脸数据集包括正常人脸和不同遗传病患者的畸形人脸或异形人脸。
本发明实施例还提供了一种遗传病检测方法，包括：获取遗传病患者的照片或视频；利用训练好的人脸检测器对所述遗传病患者的照片或视频进行识别，以检测所述照片或视频上的人脸；将检测到的人脸输入训练好的分类深度神经网络模型中，并根据输出的分类向量确定所述遗传病患者的所患遗传病的种类；其中，所述分类深度神经网络模型是上述训练方法训练得到。
可选的，所述人脸检测器通过如下方法进行训练：将遗传病人脸数据集输入所述人脸检测器，并进行直方图均衡化并归一化处理；确定待检测的子窗口；利用多个弱分类器对所述遗传病人脸数据集中的待检测图片进行检测；当所述待检测图片通过所有弱分类器的识别，确定在所述待检测图片上检测到人脸，以完成所述人脸检测器的训练。
本发明实施例还提供了一种分类深度神经网络模型的训练装置，所述分类深度神经网络模型用于遗传病检测，包括：数据集构建模块，用于构建遗传病数据集；其中，所述遗传病数据集包括遗传病人脸数据集和分类标签；分类损失代价函数值确定模块，用于将所述遗传病数据集中的训练集输入至所述分类深度神经网络的预训练模型以得到分类向量，并基于所述分类向量和所述分类标签确定分类损失代价函数值；模型训练模块，用于基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练，直至所述分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。
本发明实施例还提供了一种遗传病检测装置，包括：获取模块，用于获取遗传病患者的照片或视频；识别模块，用于利用训练好的人脸检测器对所述遗传病患者的照片或视频进行识别，以检测所述照片或视频上的人脸；分类深度神经网络模型处理模块，用于将检测到的人脸输入训练好的分类深度神经网络模型中，并根据输出的分类向量确定所述遗传病患者的所患遗传病的种类；其中，所述分类深度神经网络模型是上述训练装置训练得到。
与现有技术相比，本发明技术方案具有以下优点：
利用本技术方案提供的遗传病检测方法可以自动对患者的照片或视频进行检测，辅助医生进行遗传病的判断。遗传病多为罕见疾病，医疗资源短缺，有利于节省大量的人力物力，同时可以缓解医疗资源的紧张和不平衡等问题。
附图说明
图1是本发明实施例提供的分类深度神经网络模型的训练方法的一个具体实施例的流程示意图；
图2是本发明实施例提供的遗传病检测方法的一个具体实施的流程示意图；
图3A是搜集到的人脸图片的示意图；
图3B是经过预处理操作后得到的人脸图片的示意图；
图4是本发明实施例提供的分类深度神经网络模型的训练装置的一个具体实施例的结构示意图；
图5是本发明实施例提供的遗传病检测装置的一个具体实施例的结构示意图。
具体实施方式
发明人发现现有的人工检测技术需要医护人员全程参与，且需要有高级的医疗检测设备，成本较高。为解决上述问题，本发明实施例提供了一种分类深度神经网络模型的训练方法及装置、一种遗传病检测方法及装置，从而可以自动对患者的照片或视频进行检测，辅助医生进行遗传病的判断，有利于节省大量的人力物力，同时可以缓解医疗资源的紧张和不平衡等问题。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
图1是本发明实施例提供的分类深度神经网络模型的训练方法的一个具体实施例的流程示意图。
参考图1，所述方法包括：
步骤101、构建遗传病数据集；其中，所述遗传病数据集包括遗传病人脸数据集和分类标签；
步骤102、将所述遗传病数据集中的训练集输入至所述分类深度神经网络的预训练模型以得到分类向量，并基于所述分类向量和所述分类标签确定分类损失代价函数值；
步骤103、基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练，直至所述分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。
具体地，在步骤101中，所述遗传病数据集包括遗传病人脸数据集和分类标签。其中，所述遗传病人脸数据集包括正常人脸和不同遗传病患者的畸形人脸或异形人脸。其中，不同遗传病患者的畸形人脸或异形人脸可以通过网络搜索或者在医院现存的遗传病案例中搜索等途径收集得到。正常人脸也可以通过网络搜索得到。
例如，遗传病人脸数据集包括2418张照片，其中正常人的照片有264张，Apert综合征有24张，CHARGE综合征有58张，Cornelia de lange综合征有319张，Crouzon综合征有57张，Digeroge综合征有222张，Kabuki综合征有230张，Noonan综合征有542张，PWS综合征154张，Rett综合征有45张，Rubinstein-Taybi综合征有71张，Silver-Russell综合征有33张，Sotos综合征有43张，Williams-Beuren综合征有210张，唐氏综合征有146张。
根据不同种类的遗传病并结合基因检测结果，对所述遗传病人脸数据集中的各个照片进行划分并打上所述分类标签，以标识不同遗传病。
进一步，按照各分类以8：2的数量比例将所述遗传病人脸数据集划分为训练集和测试集。
在所述步骤102中，所述分类深度神经网络的预训练模型是由深度卷积神经网络ResNet50在数据集VGGFace2上进行训练，且达到符合要求的检测准确率后得到的。
在本实施例中，分类损失代价函数为：
其中，xi表示输入的图片，p(xi)表示图片xi的分类标签，q(xi)表示图片xi的分类向量，i＝1,…,N，表示每个批次的图片。
所述基于所述分类向量和所述分类标签确定分类损失代价函数值包括：
将所述分类向量和所述分类标签进行交叉熵计算，以确定所述分类损失代价函数值。本领域技术人员理解，所述交叉熵是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。在本实施例中，根据所述分类向量和所述分类标签之间的交叉熵计算可以得到分类向量与分类标签之间的差异性信息，从而确定所述分类损失代价函数值。
在步骤103中，所述基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练采用的方法是随机梯度下降法。所述训练参数包括学习速率，所述学习速率默认设置为0.001。
在初始的训练参数的基础上，用所述遗传病数据集中的所述训练集中的图片来训练深度自编码器网络，更新训练参数，根据所述分类损失代价函数值通过反向传播的方式，在所述训练集上更新所述分类深度神经网络模型的参数。
图2是本发明实施例提供的遗传病检测方法的一个具体实施的流程示意图。参考图2，所述方法包括：
步骤201、获取遗传病患者的照片或视频；
步骤202、利用训练好的人脸检测器对所述遗传病患者的照片或视频进行识别，以检测所述照片或视频上的人脸；
步骤203、将检测到的人脸输入训练好的分类深度神经网络模型中，并根据输出的分类向量确定所述遗传病患者的所患遗传病的种类；其中，所述分类深度神经网络模型是上述分类深度神经网络模型的训练方法训练得到。
在本实施例中，所述步骤202中训练好的人脸检测器为Dlib人脸检测器。
其中，所述人脸检测器通过如下方法进行训练：
步骤2021、将遗传病人脸数据集输入所述人脸检测器，并进行直方图均衡化并归一化处理；
步骤2022、确定待检测的子窗口；
步骤2023、利用多个弱分类器对所述遗传病人脸数据集中的待检测图片进行检测；
步骤2024、当所述待检测图片通过所有弱分类器的识别，确定在所述待检测图片上检测到人脸，以完成所述人脸检测器的训练。
其中，多个所述弱分类器为级联分类器，每个节点是多个树构成的分类器，且每个节点的正确识别率很高。在任一级计算中，一旦获得“不在类别中”的结论，则计算终止。只有通过所有弱分类器的识别，才会认为人脸被检测到。
进一步，由于人脸图片中的人脸照片的尺寸是不一致的，为了保证提取到稳定的特征并取得较好的人脸分类效果，需要对人脸图片进行裁剪、缩放等预处理操作。如图3A所示的是搜集到的人脸图片，如图3B所示的是经过预处理操作后得到的人脸图片。
因此，利用本技术方案提供的遗传病检测方法可以自动对患者的照片或视频进行检测，辅助医生进行遗传病的判断。遗传病多为罕见疾病，医疗资源短缺，有利于节省大量的人力物力，同时可以缓解医疗资源的紧张和不平衡等问题。
图4是本发明实施例提供的分类深度神经网络模型的训练装置的一个具体实施例的结构示意图。
参考图4，所述装置4包括：数据集构建模块41，用于构建遗传病数据集；其中，所述遗传病数据集包括遗传病人脸数据集和分类标签；分类损失代价函数值确定模块42，用于将所述遗传病数据集中的训练集输入至所述分类深度神经网络的预训练模型以得到分类向量，并基于所述分类向量和所述分类标签确定分类损失代价函数值；模型训练模块43，用于基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练，直至所述分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。其中，所述遗传病人脸数据集包括正常人脸和不同遗传病患者的畸形人脸或异形人脸。
所述分类损失代价函数值确定模块42包括：交叉熵计算单元，用于将所述分类向量和所述分类标签进行交叉熵计算，以确定所述分类损失代价函数值。
分类损失代价函数为：
其中，xi表示输入的图片，p(xi)表示图片xi的分类标签，q(xi)表示图片xi的分类向量，i＝1,…,N，表示每个批次的图片。
所述模型训练模块43用于采用随机梯度下降法对所述分类深度神经网络的预训练模型进行训练。
需要说明的是，本实施例中，各个模块和单元的具体实施方式可以参考上文图1所述的实施例，在此不再赘述。
图5是本发明实施例提供的遗传病检测装置的一个具体实施例的结构示意图。
参考图5，所述装置5包括：获取模块51，用于获取遗传病患者的照片或视频；识别模块52，用于利用训练好的人脸检测器对所述遗传病患者的照片或视频进行识别，以检测所述照片或视频上的人脸；分类深度神经网络模型处理模块53，用于将检测到的人脸输入训练好的分类深度神经网络模型中，并根据输出的分类向量确定所述遗传病患者的所患遗传病的种类；其中，所述分类深度神经网络模型是根据上述图4所示的分类深度神经网络模型的训练装置训练得到。
需要说明的是，本实施例中，各个模块和单元的具体实施方式可以参考上文图2所述的实施例，在此不再赘述。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
Claims (10)
1.一种分类深度神经网络模型的训练方法，所述分类深度神经网络模型用于遗传病检测，其特征在于，包括：
构建遗传病数据集；其中，所述遗传病数据集包括遗传病人脸数据集和分类标签；
将所述遗传病数据集中的训练集输入至所述分类深度神经网络的预训练模型以得到分类向量，并基于所述分类向量和所述分类标签确定分类损失代价函数值；
基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练，直至所述分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。
2.如权利要求1所述的方法，其特征在于，所述基于所述分类向量和所述分类标签确定分类损失代价函数值包括：
将所述分类向量和所述分类标签进行交叉熵计算，以确定所述分类损失代价函数值。
3.如权利要求1所述的方法，其特征在于，所述分类深度神经网络的预训练模型是由深度卷积神经网络ResNet50在数据集VGGFace2上进行训练，且达到符合要求的检测准确率后得到的。
4.如权利要求1所述的方法，其特征在于，分类损失代价函数为：
其中，xi表示输入的图片，p(xi)表示图片xi的分类标签，q(xi)表示图片xi的分类向量，i＝1,…,N，表示每个批次的图片。
5.如权利要求1所述的方法，其特征在于，所述基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练采用的方法是随机梯度下降法。
6.一种遗传病检测方法，其特征在于，包括：
获取遗传病患者的照片或视频；
利用训练好的人脸检测器对所述遗传病患者的照片或视频进行识别，以检测所述照片或视频上的人脸；
将检测到的人脸输入训练好的分类深度神经网络模型中，并根据输出的分类向量确定所述遗传病患者的所患遗传病的种类；其中，所述分类深度神经网络模型是根据权利要求1～5中任一项所述的分类深度神经网络模型的训练方法训练得到。
7.如权利要求6所述的方法，其特征在于，所述人脸检测器通过如下方法进行训练：
将遗传病人脸数据集输入所述人脸检测器，并进行直方图均衡化并归一化处理；
确定待检测的子窗口；
利用多个弱分类器对所述遗传病人脸数据集中的待检测图片进行检测；
当所述待检测图片通过所有弱分类器的识别，确定在所述待检测图片上检测到人脸，以完成所述人脸检测器的训练。
8.一种分类深度神经网络模型的训练装置，所述分类深度神经网络模型用于遗传病检测，其特征在于，包括：
数据集构建模块，用于构建遗传病数据集；其中，所述遗传病数据集包括遗传病人脸数据集和分类标签；
分类损失代价函数值确定模块，用于将所述遗传病数据集中的训练集输入至所述分类深度神经网络的预训练模型以得到分类向量，并基于所述分类向量和所述分类标签确定分类损失代价函数值；
模型训练模块，用于基于所述分类损失代价函数值和训练参数对所述分类深度神经网络的预训练模型进行训练，直至所述分类损失代价函数值小于预设阈值时停止训练，以得到训练好的分类深度神经网络模型。
9.如权利要求8所述的装置，其特征在于，所述分类损失代价函数值确定模块包括：
交叉熵计算单元，用于将所述分类向量和所述分类标签进行交叉熵计算，以确定所述分类损失代价函数值。
10.一种遗传病检测装置，其特征在于，包括：
获取模块，用于获取遗传病患者的照片或视频；
识别模块，用于利用训练好的人脸检测器对所述遗传病患者的照片或视频进行识别，以检测所述照片或视频上的人脸；
分类深度神经网络模型处理模块，用于将检测到的人脸输入训练好的分类深度神经网络模型中，并根据输出的分类向量确定所述遗传病患者的所患遗传病的种类；其中，所述分类深度神经网络模型是根据权利要求8～9中任一项所述的分类深度神经网络模型的训练装置训练得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010127217.4A CN111341459A (zh) | 2020-02-28 | 2020-02-28 | 分类深度神经网络模型的训练方法、遗传病检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010127217.4A CN111341459A (zh) | 2020-02-28 | 2020-02-28 | 分类深度神经网络模型的训练方法、遗传病检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111341459A true CN111341459A (zh) | 2020-06-26 |
Family
ID=71187044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010127217.4A Pending CN111341459A (zh) | 2020-02-28 | 2020-02-28 | 分类深度神经网络模型的训练方法、遗传病检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111341459A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899883A (zh) * | 2020-09-29 | 2020-11-06 | 平安科技（深圳）有限公司 | 少样本或零样本的疾病预测设备、方法、装置及存储介质 |
| CN113569612A (zh) * | 2021-02-09 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 图像识别神经网络的训练方法和装置、图像识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN106250866A (zh) * | 2016-08-12 | 2016-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的图像特征提取建模、图像识别方法及装置 |
| CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
| CN109902722A (zh) * | 2019-01-28 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 分类器、神经网络模型训练方法、数据处理设备及介质 |
| CN110363075A (zh) * | 2019-06-03 | 2019-10-22 | 陈丙涛 | 基于大数据服务器的可疑病态面部检测系统 |
| CN110415815A (zh) * | 2019-07-19 | 2019-11-05 | 银丰基因科技有限公司 | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 |
| CN110427965A (zh) * | 2019-06-25 | 2019-11-08 | 重庆邮电大学 | 基于进化策略的卷积神经网络结构简约及图像分类方法 |
-
2020
- 2020-02-28 CN CN202010127217.4A patent/CN111341459A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN106250866A (zh) * | 2016-08-12 | 2016-12-21 | 广州视源电子科技股份有限公司 | 基于神经网络的图像特征提取建模、图像识别方法及装置 |
| CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
| CN109902722A (zh) * | 2019-01-28 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 分类器、神经网络模型训练方法、数据处理设备及介质 |
| CN110363075A (zh) * | 2019-06-03 | 2019-10-22 | 陈丙涛 | 基于大数据服务器的可疑病态面部检测系统 |
| CN110427965A (zh) * | 2019-06-25 | 2019-11-08 | 重庆邮电大学 | 基于进化策略的卷积神经网络结构简约及图像分类方法 |
| CN110415815A (zh) * | 2019-07-19 | 2019-11-05 | 银丰基因科技有限公司 | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899883A (zh) * | 2020-09-29 | 2020-11-06 | 平安科技（深圳）有限公司 | 少样本或零样本的疾病预测设备、方法、装置及存储介质 |
| CN111899883B (zh) * | 2020-09-29 | 2020-12-15 | 平安科技（深圳）有限公司 | 少样本或零样本的疾病预测设备、方法、装置及存储介质 |
| CN113569612A (zh) * | 2021-02-09 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 图像识别神经网络的训练方法和装置、图像识别方法 |
| CN113569612B (zh) * | 2021-02-09 | 2022-09-13 | 腾讯医疗健康(深圳)有限公司 | 图像识别神经网络的训练方法和装置、图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
| TWI687937B (zh) | 染色體異常檢測模型之建立方法、染色體異常檢測系統及染色體異常檢測方法 | |
| CN110490242B (zh) | 图像分类网络的训练方法、眼底图像分类方法及相关设备 | |
| CN105975959A (zh) | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 | |
| CN110428410A (zh) | 眼底医学图像处理方法、装置、设备及存储介质 | |
| CN109543542A (zh) | 一种特定场所人员着装是否规范的判定方法 | |
| CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
| CN111341459A (zh) | 分类深度神经网络模型的训练方法、遗传病检测方法 | |
| CN111599438A (zh) | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 | |
| CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
| CN112634889A (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
| CN114842957B (zh) | 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 | |
| CN107818707B (zh) | 一种自动出题的考试系统 | |
| CN115349828A (zh) | 一种基于计算机深度学习的新生儿疼痛评估系统 | |
| CN111128368A (zh) | 基于视频表情行为分析的孤独症谱系障碍自动检测方法及装置 | |
| CN112263220A (zh) | 一种内分泌疾病智能诊断系统 | |
| CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
| CN107194918B (zh) | 数据分析方法及装置 | |
| CN116052225A (zh) | 掌纹识别方法、电子设备、存储介质及计算机程序产品 | |
| CN113077877B (zh) | 一种成人急诊病情分级系统及分级方法 | |
| CN115359412A (zh) | 一种盐酸中和实验评分方法、装置、设备及可读存储介质 | |
| CN111160263B (zh) | 一种获取人脸识别阈值的方法及系统 | |
| CN111209860B (zh) | 基于深度学习与强化学习的视频考勤系统及方法 | |
| CN115274027A (zh) | 一种实验室的智慧监测系统 | |
| Singh et al. | Malaria parasite recognition in thin blood smear images using squeeze and excitation networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |