CN113012133A - 一种新冠肺炎诊断系统、介质及设备 - Google Patents

一种新冠肺炎诊断系统、介质及设备 Download PDF

Info

Publication number
CN113012133A
CN113012133A CN202110302718.6A CN202110302718A CN113012133A CN 113012133 A CN113012133 A CN 113012133A CN 202110302718 A CN202110302718 A CN 202110302718A CN 113012133 A CN113012133 A CN 113012133A
Authority
CN
China
Prior art keywords
training
image
module
learning network
diagnosis
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
Application number
CN202110302718.6A
Other languages
English (en)
Inventor
张智军
陈博钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Shunde Zhike Intelligent Technology Co ltd
South China University of Technology SCUT
Original Assignee
Foshan Shunde Zhike Intelligent Technology Co ltd
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Shunde Zhike Intelligent Technology Co ltd, South China University of Technology SCUT filed Critical Foshan Shunde Zhike Intelligent Technology Co ltd
Priority to CN202110302718.6A priority Critical patent/CN113012133A/zh
Publication of CN113012133A publication Critical patent/CN113012133A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种新冠肺炎诊断系统，包括图像输入模块、特征提取模块、专家诊断模块、综合评估模块和诊断结果输出模块，图像输入模块用于输入X光正位胸片图像；特征提取模块用于构建并预训练ResNet深度网络模型，预训练完毕后去除末端全连接层，其剩余部分作为图像特征提取器，采用图像特征提取器提取X光正位胸片图像的特征形成样本；专家诊断模块用于构建多个动态学习网络分类器；综合评估模块用于针对各个动态学习网络分类器，构建集成动态学习网络模型来对图像进行诊断，得到诊断预测结果；诊断结果输出模块用于输出最终诊断结果。还提供了相应的介质及设备。集成动态深度学习网络模型大大提高了模型训练效率。

Description

一种新冠肺炎诊断系统、介质及设备
技术领域
本发明涉及人工智能预测评估技术领域，具体涉及一种新冠肺炎诊断系统、介质及设备。
背景技术
对新冠肺炎，运用人工智能方法和模型对X光正位胸片图像进行读取和诊断具备以下优势：
1.诊断结果非常直观，不但可以判断是否患病，而且可以判断严重程度和发展阶段；
2.相互验证诊断结果，确保诊断结果准确稳定；
3.检测设备轻便，方便运输，维护简便，原材料消耗少；
4.全程耗时少(15s)，一经查出患病马上把患者送去就医，诊断效率高；
5.技术要求低，所需用人少。
针对X光正位胸片图像的自动智能诊断过程，在现有的统计学习模型中，深度残差网络(Residual convolutional neural network,ResNet)通过引入“捷径”连接的方式有效防止梯度消失问题，因其优异的学习拟合图像的能力而在图像识别领域里得以广泛应用。然而ResNet末端的全连通层的泛化性能可能不够强大，不能作为合适的分类器对图像的深度卷积特征进行分类。而且在对新冠肺炎的诊断过程中针对图像的深度卷积特征，以往只采用单个分类器模型，诊断结果的可靠性难以保证，这些缺陷在智能化疾病诊断的过程中受到很大制约。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种新冠肺炎诊断系统、介质及设备，本发明针对X光正位胸片图像采用具有集成动态学习网络模型的综合评估模块，首先，在计算机的硬盘上存储有诊断系统，通过视图传输设备在计算机上输入X光片。采用特征提取模块提取特征样本；对于所提取出来的图像特征样本，采用综合评估模块诊断是否患新冠肺炎。这种集成动态深度学习网络模型大大提高了模型训练效率，同时运用综合诊断机制能够有效保证结果的可靠性，结果可通过显示器显示出来。
为了达到上述目的，本发明提供一种新冠肺炎诊断系统，包括图像输入模块、特征提取模块、专家诊断模块、综合评估模块和诊断结果输出模块，
所述图像输入模块用于输入X光正位胸片图像；
所述特征提取模块用于构建并预训练ResNet深度网络模型，预训练完毕后去除末端全连接层，其剩余部分作为图像特征提取器，采用所述图像特征提取器提取X光正位胸片图像的特征形成样本；
所述专家诊断模块用于构建多个动态学习网络分类器，包括输入层、隐含层和输出层，设定输入神经元个数为训练集特征样本维度以及隐含层和输出层神经元的激活函数，输入层与隐含层之间各个连接权重分量随机初始化且保持不变，隐含层与输出层之间各个连接权重分量随机初始化并进行训练；
所述综合评估模块用于针对各个动态学习网络分类器，构建集成动态学习网络模型来对图像进行诊断，得到诊断预测结果；
所述诊断结果输出模块用于输出最终诊断结果。
作为优选的技术方案，所述图像输入模块包括：
预处理单元，用于将X光正位胸片图像顺序变换成RGB次序，并调整各图像的大小一致；
划分单元，用于将图像分为测试图像和用于训练模型的训练图像。
作为优选的技术方案，所述特征提取模块包括：
预训练单元，用于搭建ResNet18网络，并在确定训练方式、训练轮数和输入图像数目大小后预训练ResNet18网络；
去除单元，用于去除训练得到的ResNet18网络中的末端全连接层；
图像特征提取器单元，用于提取输入的训练图像，得到对应的特征样本。
作为优选的技术方案，所述专家诊断模块包括：
训练集特征样本单元，用于存储训练图像；
样本抽取单元，用于从训练集特征样本单元中抽取训练所需的特征样本；
训练单元，用于采用不同类型的变换函数进行训练，得到相应的不同的动态学习网络分类器。
作为优选的技术方案，所述样本抽取单元中，抽取样本时，在较大数目一类中有放回地随机抽取，抽取量与较小数目一类中的样本数目相当，在较大数目一类中每随机抽取一次得到的特征样本和小类全部构成一个子集，每个子集训练一种变换函数类型的动态学习网络分类器。
作为优选的技术方案，所述变换函数包括线性函数、Tanh函数和Sinh函数。
作为优选的技术方案，所述综合评估模块包括：
结合单元，用于将多个动态学习网络分类器结合形成集成动态学习网络模型；
综合评估单元，各动态学习网络分类器对测试图像各自进行诊断，得到多个初判结果，通过多个初判结果得出最终的诊断结果。
作为优选的技术方案，所述综合评估单元中，针对多个初判结果，采用基于少数服从多数的投票决策原则得到诊断结果。
本发明还提供一种存储介质，存储有程序，所述程序被处理器执行时实现上述新冠肺炎诊断系统。
本发明还提供一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述新冠肺炎诊断系统。
本发明与现有技术相比，至少具有以下有益效果：
本发明运用ResNet深度网络模型作为X光正位胸片图像的特征提取模块，其用于诊断新冠肺炎的综合评估模块中的集成动态学习网络模型是基于神经动力学方法训练动态学习网络分类器模型并加以集成得到，大大节省了分类器所需训练的参数数目，大大提高了模型训练效率，同时运用综合诊断机制能够有效保证诊断结果的可靠性。
附图说明
图1为本发明新冠肺炎诊断系统的结构示意图；
图2为本发明的集成动态深度学习网络诊断模型示意图；
图3为本发明动态学习网络分类器拓扑结构意图；
图4为本发明动态学习网络分类器训练算法流程示意图；
图5为本发明的集成动态学习网络构造示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明中，对于图2所有模块所涉及的新冠肺炎诊断系统构建，首先构建由针对训练图像构建ResNet深度网络模型并进行预训练，完毕后去除末端全连接层，并保留剩余部分作为图像特征提取器的特征提取模块；其次将训练图像输入特征提取模块的图像特征提取器中，得到对应的训练集特征样本；然后针对训练集特征样本构建并训练动态学习网络，在训练过程中，对于每一次有放回的随机抽取部分训练集特征样本，采用一种类型的变换函数训练出一个动态学习网络(Dynamic learning network,DLN)，由此训练出对应多种不同变换函数类型的动态学习网络分类器，得到专家诊断模块；针对完成训练的多种动态学习网络模型，采用基于少数服从多数的投票决策原则进行结合，形成集成动态学习网络模型，得到综合评价评估模块；从而完成构建新冠肺炎诊断系统整体模型并进一步加以测试，得出最终诊断结果。
具体的，如图1所示，本发明提供的一种新冠肺炎诊断系统，包括：图像输入模块、特征提取模块、专家诊断模块、综合评估模块和诊断结果输出模块；
图像输入模块用于输入X光正位胸片图像；
特征提取模块用于构建并预训练ResNet深度网络模型，预训练完毕后去除末端全连接层，剩余部分作为图像特征提取器，提取X光正位胸片图像的特征形成样本；
专家诊断模块用于构建动态学习网络分类器，包括输入层、隐含层和输出层，设定输入神经元个数为训练集特征样本维度以及隐含层和输出层神经元的激活函数，输入层与隐含层之间各个连接权重分量随机初始化且保持不变，隐含层与输出层之间各个连接权重分量随机初始化并进行训练。
综合评估模块针对各个专家，即动态学习网络分类器，构建集成动态学习网络模型来对图像进行诊断，得到诊断预测结果，其中，对测试图像的诊断预测结果采用基于少数服从多数的投票决策原则进行综合评估；
诊断结果输出模块用于输出最终诊断结果。
在本发明的其中一个实施例中，所述图像输入模块包括：
预处理单元，用于将X光正位胸片经过三维通道顺序变换成RGB次序，并统一调整成224×224×3大小；
划分单元，用于随机将图像分为训练图像和测试图像两部分，其中训练图像用以训练模型。
在本发明的其中一个实施例中，所述特征提取模块包括：
预训练单元，用于搭建ResNet18网络，并在确定训练方式、训练轮数和一次输入图像数目大小后预训练ResNet18网络，其中，训练方式为带Nesterov动量的随机梯度下降方法；
去除单元，用于去除训练得到的ResNet18网络中的末端全连接层，剩余部分作为图像特征提取器；
图像特征提取器单元，用于提取输入的训练图像，得到对应的特征样本，其中一张图像对应一个512维的特征样本。
在本发明的其中一个实施例中，采用的变换函数包括线性函数、Tanh函数和Sinh函数，因此可训练得到3个不同的动态学习网络分类器。通过不同学习方式学习认识X光正位胸片图像，从而对各自未知是否患病的体检者所拍摄输入的X光正位胸片图像进行诊断预测。
在本发明的其中一个实施例中，训练动态学习网络分类器时使用的方法为神经动力学训练方法，其表达式为E(k+1)-E(k)＝-αΦ(E(k)),α＞0，其中E(k)表示动态学习网络分类器在第k次学习样本后动态学习网络输出减去期望值(样本标签)结果，相当于对体检者是否患新冠肺炎的预判结果与实际是否患病的偏差；α＞0表示动力学系数，相当于在系统建立过程中，疾病诊断专家对所输入的X 光正位胸片图像的学习速度；Φ(·)表示变换函数，相当于学习方法。
在本发明的其中一个实施例中，所述专家诊断模块包括：
训练集特征样本单元，用于存储训练图像；
样本抽取单元，用于从训练集特征样本单元中抽取训练所需的特征样本；
训练单元，用于采用不同类型的变换函数进行训练，得到相应的不同的动态学习网络分类器。
在本发明的其中一个实施例中，样本抽取单元中，为解决类别不平衡问题，在较大数目一类(简称大类)中有放回的随机抽取，抽取量与较小数目一类(简称小类)中的样本数目相当。在大类中每随机抽取一次得到的特征样本和小类全部构成一个子集，一个子集训练一种变换函数类型的动态学习网络分类器。
在本发明的其中一个实施例中，训练单元中，根据不同类型的变换函数，将神经动力学训练方法运用到训练动态学习网络分类器中，迭代更新隐含层与输出层之间的各个连接权重分量，根据运用一种类型的变换函数训练出一个动态学习网络分类器的原则，得到多个动态学习网络分类器。采用多个动态学习网络分类器可以针对测试图像所提取出来的特征进行诊断预测。
在训练单元中，动态学习网络分类器的拓扑结构如图3所示，包含三层：输入层、隐含层和输出层，输入层与隐含层之间的权重矩阵为V，由-1到1之间的均匀分布方式生成随机数且保持不变，以此对体检者所输入的X光正位胸片图像特征数据进行加权汇总；隐含层各个神经元的激活函数f(·)为Power-softsign函数，从而对样本进行初步记忆学习；隐含层与输出层之间的权重矩阵W随机初始化等待训练，这相当于对输入样本进行具体分析；输出层各个神经元的激励函数g(·)均为Softsign函数，将分析结果通过非线性映射的方式转化成预判结果。以z为自变量的Softsign函数的表达式如下：
Figure BDA0002986899860000071
Power-softsign函数的表达式如下：
Figure BDA0002986899860000081
其中j表示隐含层第j个神经元。fj(z)代表隐含层第j个神经元的激活函数。
设X表示经过样本抽取单元后得到的X光正位胸片图像特征样本的矩阵，并作为输入，则单个动态学习网络分类器输出Y可由以下式子表示：
Y＝g(QW)＝g(F(I)W) (3)
其中I和Q分别表示隐含层输入和输出矩阵，F(I)＝[f1(i1)；f2(i2)；…；fj(ij)；…；fn(in)]， ij表示I里面的第j列，fj(ij)代表第j个隐含层神经元的输出。
在训练单元中，动态学习网络分类器的训练方法如图4所示，设W(k)表示第 k次学习样本后隐含层与输出层之间的权重矩阵，则单个动态学习网络分类器输出为Y(k)，即疾病诊断专家对X光正位胸片图像的诊断预测结果可由以下式子推出：
Y(k)＝g(QW(k))＝g(F(I)W(k)). (4)
设体检者实际是否患病为期望值矩阵
Figure BDA0002986899860000082
则偏差
Figure BDA0002986899860000083
此时需要先求出第k次学习样本后的训练误差ε(k)，这个训练误差相当于对多个体检者是否患新冠肺炎预判结果与这些体检者实际是否患病之间的总偏差。
对于训练误差ε(k)的求取，首先动态学习网络分类器判断结果输出Y(k)经过Softmax层可以得出概率矩阵P(k)，得出每位体检者患新冠肺炎的概率，并取最大程度对应的类型作为预判结果，得知是否患病。
设矩阵Y(k)和P(k)规模均为l×q，对于Y(k)中的第s(1≤s≤l；s∈Z)个体检者身体指标测量数据样本对应的预测判断结果ys＝[ys1,ys2,…,ysq]，P(k)中的第s行的行向量Ps，即表示相应的第s个样本对是否患病的归属程度，通过以下式子而得：
Figure BDA0002986899860000091
同时，作为样本实际标签，期望值矩阵
Figure BDA0002986899860000097
规模设为l×q，里面元素由-1和1 组成。因此采取one-hot向量编码形式，需要通过编码层将其中取值为-1的元素改成取值为0，其余元素不变，由此得到编码矩阵L，L其实是对体检者样本实际归属类型的一种编码方式，这样可以通过交叉熵损失函数公式得出训练误差ε(k)：
Figure BDA0002986899860000092
其中Lsr与Psr分别表示L与P(k)中第s行第r(1≤r≤q；s∈Z)列元素，L为
Figure BDA0002986899860000093
通过one-hot向量形式编码的结果；
设训练误差阈值为ε'，以此对疾病诊断专家学习认识体检者X光正位胸片图像特征样本数据样本程度进行把关，如果ε(k)<ε'，则停止对隐含层与输出层之间权重矩阵W的训练，结束对样本的学习过程；否则通过神经动力学方法的表达式可以推出E(k+1)＝E(k)-αΦ(E(k))，也就是得到疾病诊断专家第(k+1)次学习样本后动态学习网络分类器输出减去期望值应有的结果。在此基础上需要求出隐含层与输出层之间的权重矩阵为W(k+1)。类比式子(3)和
Figure BDA0002986899860000094
可得 E(k+1)与Y(k+1)同时满足以下等式关系：
Figure BDA0002986899860000095
Y(k+1)＝g(QW(k+1)). (8)
由式子(7)和式子(8)可以得出W(k+1)的求解表达式：
Figure BDA0002986899860000096
进一步可以得出在第(k+1)次学习样本后，W(k+1)与W(k)的关系。W(k+1)迭代求解表达式为：
Figure BDA0002986899860000101
其中Φ(·)表示变换函数，相当于学习方法。Φ(E(k))表示诊断专家对诊断偏差的学习认知程度。
在式子(9)与式子(10)中，Q+表示隐含层输出矩阵Q的Moore-Penrose 伪逆；函数
Figure BDA0002986899860000104
理论上应表示函数g(·)的反函数。然而g(·)在这里为Softsign函数 (如式子(1)所示)，不具备反函数。因此将式子(1)按自变量z的取值区间进行分段处理，每段各自求出其反函数，再将各个取值区间的反函数拼接一起近似代替，故以z为自变量，
Figure BDA0002986899860000102
的表达式为：
Figure BDA0002986899860000103
在本发明其中一个实施例中，综合评估模块包括：
结合单元，用于将多个经过训练的诊断专家，即动态学习网络分类器结合形成集成动态学习网络模型；
综合评估单元，各位诊断专家，即各动态学习网络分类器对测试图像首先进行各自诊断，得到多个初判结果。针对这些初判结果采用少数服从多数的投票原则得出最终的诊断结果。
在综合评估单元中，对于图2专家诊断模块和综合评估模块涉及的综合诊断机制，将完成训练的三个疾病诊断专家用于对未知是否患病的体检者所输入的X光正位胸片图像特征样本进行预判。各个专家相对独立，各自按学习认识的知识进行预测判断，总共得出三个预判结果。在此基础上设定基于少数服从多数的投票规则进行新冠肺炎综合评估，即将这三个疾病诊断专家聚集一起，各自对未知是否患病的X光正位胸片图像特征样本进行预测判断，所得出的预判结果将采取基于少数服从多数的投票规则的形式进行综合评估，得到最终的诊断结果。比如对于图5中对于某个未知是否患新冠肺炎的体检者输入的X光正位胸片图像特征样本，第一个疾病诊断专家预判结果为新冠肺炎而其他两个为正常，则经过综合评估机制后该未知样本将被估计为正常。
在本发明的其中一个实施例中，还提供一种存储介质，存储介质可以是 ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现上述新冠肺炎诊断系统。
在本发明的其中一个实施例中，还提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述新冠肺炎诊断系统。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围。

Claims (10)

1.一种新冠肺炎诊断系统，其特征在于，包括图像输入模块、特征提取模块、专家诊断模块、综合评估模块和诊断结果输出模块，
所述图像输入模块用于输入X光正位胸片图像；
所述特征提取模块用于构建并预训练ResNet深度网络模型，预训练完毕后去除末端全连接层，其剩余部分作为图像特征提取器，采用所述图像特征提取器提取X光正位胸片图像的特征形成样本；
所述专家诊断模块用于构建多个动态学习网络分类器，包括输入层、隐含层和输出层，设定输入神经元个数为训练集特征样本维度以及隐含层和输出层神经元的激活函数，输入层与隐含层之间各个连接权重分量随机初始化且保持不变，隐含层与输出层之间各个连接权重分量随机初始化并进行训练；
所述综合评估模块用于针对各个动态学习网络分类器，构建集成动态学习网络模型来对图像进行诊断，得到诊断预测结果；
所述诊断结果输出模块用于输出最终诊断结果。
2.根据权利要求1所述的一种新冠肺炎诊断系统，其特征在于，所述图像输入模块包括：
预处理单元，用于将X光正位胸片图像顺序变换成RGB次序，并调整各图像的大小一致；
划分单元，用于将图像分为测试图像和用于训练模型的训练图像。
3.根据权利要求1所述的一种新冠肺炎诊断系统，其特征在于，所述特征提取模块包括：
预训练单元，用于搭建ResNet18网络，并在确定训练方式、训练轮数和输入图像数目大小后预训练ResNet18网络；
去除单元，用于去除训练得到的ResNet18网络中的末端全连接层；
图像特征提取器单元，用于提取输入的训练图像，得到对应的特征样本。
4.根据权利要求1所述的一种新冠肺炎诊断系统，其特征在于，所述专家诊断模块包括：
训练集特征样本单元，用于存储训练图像；
样本抽取单元，用于从训练集特征样本单元中抽取训练所需的特征样本；
训练单元，用于采用不同类型的变换函数进行训练，得到相应的不同的动态学习网络分类器。
5.根据权利要求4所述的一种新冠肺炎诊断系统，其特征在于，所述样本抽取单元中，抽取样本时，在较大数目一类中有放回地随机抽取，抽取量与较小数目一类中的样本数目相当，在较大数目一类中每随机抽取一次得到的特征样本和小类全部构成一个子集，每个子集训练一种变换函数类型的动态学习网络分类器。
6.根据权利要求4所述的一种新冠肺炎诊断系统，其特征在于，所述变换函数包括线性函数、Tanh函数和Sinh函数。
7.根据权利要求1-6任一所述的一种新冠肺炎诊断系统，其特征在于，所述综合评估模块包括：
结合单元，用于将多个动态学习网络分类器结合形成集成动态学习网络模型；
综合评估单元，各动态学习网络分类器对测试图像各自进行诊断，得到多个初判结果，通过多个初判结果得出最终的诊断结果。
8.根据权利要求7所述的一种新冠肺炎诊断系统，其特征在于，所述综合评估单元中，针对多个初判结果，采用基于少数服从多数的投票决策原则得到诊断结果。
9.一种存储介质，其特征在于，存储有程序，所述程序被处理器执行时实现权利要求1-7任一所述的新冠肺炎诊断系统。
10.一种计算设备，其特征在于，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现权利要求1-7任一所述的新冠肺炎诊断系统。
CN202110302718.6A 2021-03-22 2021-03-22 一种新冠肺炎诊断系统、介质及设备 Pending CN113012133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110302718.6A CN113012133A (zh) 2021-03-22 2021-03-22 一种新冠肺炎诊断系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110302718.6A CN113012133A (zh) 2021-03-22 2021-03-22 一种新冠肺炎诊断系统、介质及设备

Publications (1)

Publication Number Publication Date
CN113012133A true CN113012133A (zh) 2021-06-22

Family

ID=76404334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110302718.6A Pending CN113012133A (zh) 2021-03-22 2021-03-22 一种新冠肺炎诊断系统、介质及设备

Country Status (1)

Country Link
CN (1) CN113012133A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113476065A (zh) * 2021-09-06 2021-10-08 华南理工大学 一种多类肺炎诊断系统
CN113673566A (zh) * 2021-07-19 2021-11-19 华南理工大学 一种基于ct图像的新冠肺炎诊断系统、介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553890A (zh) * 2020-04-22 2020-08-18 上海全景云医学影像诊断有限公司 基于增量学习的x光正位胸片多任务检测方法
CN111951246A (zh) * 2020-08-11 2020-11-17 湖南大学 一种基于深度学习的多方位x光胸片肺炎诊断方法
CN112101418A (zh) * 2020-08-17 2020-12-18 华南理工大学 一种乳腺肿瘤类型识别方法、系统、介质及设备
CN112348792A (zh) * 2020-11-04 2021-02-09 广东工业大学 一种基于小样本学习和自监督学习的x光胸片图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553890A (zh) * 2020-04-22 2020-08-18 上海全景云医学影像诊断有限公司 基于增量学习的x光正位胸片多任务检测方法
CN111951246A (zh) * 2020-08-11 2020-11-17 湖南大学 一种基于深度学习的多方位x光胸片肺炎诊断方法
CN112101418A (zh) * 2020-08-17 2020-12-18 华南理工大学 一种乳腺肿瘤类型识别方法、系统、介质及设备
CN112348792A (zh) * 2020-11-04 2021-02-09 广东工业大学 一种基于小样本学习和自监督学习的x光胸片图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李善军 等: "基于改进SSD 的柑橘实时分类检测", 《农 业 工 程 学 报》 *
郑建军 等: "神经网络分类器动态集成方法", 《北京理工大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673566A (zh) * 2021-07-19 2021-11-19 华南理工大学 一种基于ct图像的新冠肺炎诊断系统、介质及设备
CN113476065A (zh) * 2021-09-06 2021-10-08 华南理工大学 一种多类肺炎诊断系统
CN113476065B (zh) * 2021-09-06 2022-04-22 华南理工大学 一种多类肺炎诊断系统

Similar Documents

Publication Publication Date Title
CN108491874B (zh) 一种基于生成式对抗网络的图像单分类方法
Wolterink et al. Automatic segmentation and disease classification using cardiac cine MR images
CN110660478A (zh) 一种基于迁移学习的癌症图像预测判别方法和系统
CN113012811B (zh) 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法
CN109711426A (zh) 一种基于gan和迁移学习的病理图片分类装置及方法
Zhou et al. Multi-classification of skin diseases for dermoscopy images using deep learning
CN113012133A (zh) 一种新冠肺炎诊断系统、介质及设备
Purnama et al. Disease classification based on dermoscopic skin images using convolutional neural network in teledermatology system
CN115147376A (zh) 一种基于深度贝叶斯蒸馏网络的皮肤病变智能识别方法
CN115471716A (zh) 一种基于知识蒸馏的胸部放射影像疾病分类模型轻量化方法
CN112101418A (zh) 一种乳腺肿瘤类型识别方法、系统、介质及设备
CN113780483B (zh) 结节超声分类数据处理方法及数据处理系统
CN113476065B (zh) 一种多类肺炎诊断系统
Swarna et al. Detection of colon cancer using inception v3 and ensembled cnn model
Nagarajan et al. Automatic Classification of Ovarian Cancer Types from CT Images Using Deep Semi-Supervised Generative Learning and Convolutional Neural Network.
Gao et al. Multi-view compression and collaboration for skin disease diagnosis
CN113052227A (zh) 一种基于SE-ResNet的肺结核识别方法
CN117473430A (zh) 一种非侵入式负荷分类方法及装置
CN112164462A (zh) 一种乳腺癌风险评估方法、系统、介质及设备
CN117079017A (zh) 可信的小样本图像识别分类方法
CN114224354B (zh) 心律失常分类方法、装置及可读存储介质
Akbar et al. Cluster-based learning from weakly labeled bags in digital pathology
Burugupalli Image classification using transfer learning and convolution neural networks
CN115063374A (zh) 模型训练、人脸图像质量评分方法、电子设备及存储介质
CN109119159B (zh) 一种基于快速权重机制的深度学习医疗诊断系统

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

Application publication date: 20210622

RJ01 Rejection of invention patent application after publication