CN113409300A - 基于人工智能技术的新冠肺炎数据处理系统 - Google Patents
基于人工智能技术的新冠肺炎数据处理系统 Download PDFInfo
- Publication number
- CN113409300A CN113409300A CN202110784082.3A CN202110784082A CN113409300A CN 113409300 A CN113409300 A CN 113409300A CN 202110784082 A CN202110784082 A CN 202110784082A CN 113409300 A CN113409300 A CN 113409300A
- Authority
- CN
- China
- Prior art keywords
- layer
- module
- image
- pneumonia
- artificial intelligence
- 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
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000003321 amplification Effects 0.000 claims abstract description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 13
- 210000004072 lung Anatomy 0.000 claims abstract description 11
- 230000001965 increasing effect Effects 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000746 purification Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 208000029078 coronary artery disease Diseases 0.000 claims 1
- 238000000034 method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 201000005505 Measles Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供基于人工智能技术的新冠肺炎数据处理系统，包括肺部数据库，肺部数据库配置有若干肺炎原始图像和若干正常原始图像的肺部数据库，经由训练筛选得到肺炎样本图像及正常样本图像作为数据集构成卷积神经网络模型；卷积神经网络，卷积神经网络采用堆叠结构从像素级的原始数据向抽象的语义概念逐层提取信息，用以获得广泛的输入视图；图像预处理单元，图像预处理单元包括图像扩增模块以及图像对比度增强模块，图像扩增模块用于增加训练样本图像的数量，图像对比度增强模块用于增强样本局部对比度，增强局部对比度之后的样本图像经由线性插值模块缩小得到样本增强图像。本发明能够突出图像特征进而提升肺炎筛查准确性、可靠性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于人工智能技术的新冠肺炎 数据处理系统。
背景技术
根据世卫组织的研究报告在许多致命性疾病中，肺炎仍然是五岁以下儿 童死亡的主要原因，每天至少有2400名儿童死于肺炎引起的并发症。2017 年,全世界有超过80万的儿童死于肺炎，占5岁以下儿童死亡总数的15％， 死亡人数超过疟疾、艾滋病和麻疹的总和。特别值得注意的是，绝大多数被 诊断患有临床肺炎的儿童分布在诸如印度、中国等发展中国家。儿童肺炎的 诊断是很困难的。婴幼儿患者采集得到的数据配合度不高，且采集得到的图 片成像内容与质量存在显著差异以及多样化差别。
胸透是检测肺炎的重要参考依据，其原理是由于强度均匀的X射线穿透 厚度相等的不同密度组织结构时，由于吸收程度不同在X射线片上显示出具 有黑白对比、层次差异的X线影像，然而需要有知识和经验的专家通过仔细 阅读查看X射线图像，但由于其他疾病如肺癌、肺部积液等也会在图像上显 示类似肺炎的影像特征，一方面通过人工读取X射线图像筛查肺炎的过程非 常耗时，另一方面也由于图像特征不明显带来的干扰造成准确性较低问题。
发明内容
有鉴于此，本发明要解决的问题是提供基于人工智能技术的新冠肺炎数 据处理系统。
为解决上述技术问题，本发明采用的技术方案是：基于人工智能技术的 新冠肺炎数据处理系统，包括肺部数据库，所述肺部数据库配置有若干肺炎 原始图像和若干正常原始图像的肺部数据库，经由训练筛选得到肺炎样本图 像及正常样本图像作为数据集构成卷积神经网络模型；
卷积神经网络，所述卷积神经网络采用堆叠结构从像素级的原始数据向 抽象的语义概念逐层提取信息，用以获得广泛的输入视图；
图像预处理单元，所述图像预处理单元包括图像扩增模块以及图像对比 度增强模块，所述图像扩增模块用于增加训练样本图像的数量，所述图像对 比度增强模块用于增强样本局部对比度，增强局部对比度之后的样本图像经 由线性插值模块缩小得到样本增强图像。
在本发明中，优选地，所述卷积神经网络模型包括卷积层、池化层以及 全连接层，所述卷积层用于提取输入图像的特征信息，所述池化层用于去除 上述特征信息进行聚合提纯，所述全连接层用于实现当前层神经元节点与上 一层神经元节点之间的连接。
在本发明中，优选地，所述卷积层的第四层与第六层之间增设有一用于 增强模型特征图像判断能力的特征融合模块，所述特征融合模块设置为卷积 核为1×1的卷积层。
在本发明中，优选地，所述卷积神经网络还设有注意力机制模块，所述 注意力机制模块用于根据高层学习到的全局信息对特征通道进行加权，然后 反馈给输出特征图进而实现对重要特征的筛选。
在本发明中，优选地，所述注意力机制模块的输入端为所述卷积层的第 八层，所述注意力机制模块的输出端为所述卷积层的第九层。
在本发明中，优选地，所述卷积神经网络在训练过程中通过分类优化模 块对模型学习的权重参数进行设置并确定。
在本发明中，优选地，所述分类优化模块选用均方误差损失函数、平均 绝对误差损失函数或对数似然损失函数。
在本发明中，优选地，所述池化层聚合提纯过程采用最大值池化或者均 值池化。
在本发明中，优选地，所述卷积层的卷积核尺寸均设置为3×3。
在本发明中，优选地，所述全连接层之间设有一Dropout层，所述 Dropout层的系数设置为0.5。
本发明具有的优点和积极效果是：将图像预处理单元设置包括图像扩增 模块和图像对比度增强模块，图像扩增模块能够克服数据样本量少的情况出 现的拟合过渡问题，图像对比度增强模块使得增强局部对比度之后的样本图 像能够大大提高炎症区域和周围组织结构的对比度，在不影响整体对比度的 前提下能够提高局部对比度，进而实现突出图像中的关键特征，有助于后续 提升关键特征分类的可靠性；通过在两卷积层之间设置特征融合模块，先对 前层特征图进行特征降维后进行特征通道扩增，然后与后层特征图进行融合 以得到融合后的特征图，从而实现了对X射线图像的细粒度特征信息有效地 提取，由于从不同卷积层获得的特征集合存在差异性的特征信息，能够加强 模型的特征判断能力，也避免了模型数据的大幅度增加。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本 发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的基于人工智能技术的新冠肺炎数据处理系统的卷积神经 网络的结构示意图；
图2是本发明的基于人工智能技术的新冠肺炎数据处理系统的注意力机 制模块的结构示意图；
图3是本发明的基于人工智能技术的新冠肺炎数据处理系统的增强局部 对比度之前的样本图像示意图；
图4是本发明的基于人工智能技术的新冠肺炎数据处理系统的增强局部 对比度之后的样本图像示意图。
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做 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。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一 个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组 件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组 件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可 能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右” 以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技 术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用 的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所 使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组 合。
如图1所示，本发明提供基于人工智能技术的新冠肺炎数据处理系统， 包括
肺部数据库，所述肺部数据库配置有若干肺炎原始图像和若干正常原始 图像的肺部数据库，经由训练筛选得到肺炎样本图像及正常样本图像作为数 据集构成卷积神经网络模型；
卷积神经网络，所述卷积神经网络采用堆叠结构从像素级的原始数据向 抽象的语义概念逐层提取信息，用以获得广泛的输入视图；
图像预处理单元，所述图像预处理单元包括图像扩增模块以及图像对比 度增强模块，所述图像扩增模块用于增加训练样本图像的数量，所述图像对 比度增强模块用于增强样本局部对比度，增强局部对比度之后的样本图像经 由线性插值模块缩小得到样本增强图像。图像扩增模块能够克服数据样本量 少的情况出现的拟合过渡问题，具体如图3和图4所示，图像对比度增强模 块使得增强局部对比度之后的样本图像能够大大提高炎症区域和周围组织 结构的对比度，在不影响整体对比度的前提下能够提高局部对比度，进而实现突出图像中的关键特征，有助于后续提升关键特征分类的可靠性。
在本实施例中，进一步地，所述卷积神经网络模型包括卷积层、池化层 以及全连接层，所述卷积层用于提取输入图像的特征信息，所述池化层用于 去除上述特征信息进行聚合提纯，所述全连接层用于实现当前层神经元节点 与上一层神经元节点之间的连接。卷积层和池化层主要用于执行图像特征提 取操作，卷积神经网络通过卷积层和池化层的堆叠以获得抽象的高层语义特 征，最终该语义特征输入到全连接层，从而实现原始输入数据到最终任务目 标的映射。池化层通过逐步减小特征表示的空间大小，进而减少网格中的参数数量和模型计算量，输入特征图通过最大值池化能够从特定区域选取最大 值作为输出值，池化层能够去除卷积层提取的特征冗余，聚合图像特征，降 低特征的维度，从而大大降低了网络的计算量。
在本实施例中，进一步地，所述卷积层的第四层与第六层之间增设有一 用于增强模型特征图像判断能力的特征融合模块，所述特征融合模块设置为 卷积核为1×1的卷积层。没有显著增加模型的参数数量，有效避免了模型 对于内存资源占用过多的问题。
由于特征融合模块引入了模型底层特征所包括的噪声，因而设置注意力 机制模块用以解决上述问题。
如图2所示，在本实施例中，进一步地，所述卷积神经网络还设有注意 力机制模块，所述注意力机制模块用于根据高层学习到的全局信息对特征通 道进行加权，进而从大量特征信息中筛选出于当前任务有关的信息，进而削 减无关噪声的干扰，然后反馈给输出特征图进而实现对重要特征的筛选，由 于软注意力机制是可微分的，其可以在深度模型前向传播和反向传播过程中 实现权值参数的更新，因而在本方案采用软注意力机制。通过设置注意力机 制模块，对高层学习到的全局特征进行重要性度量，从而提升卷积神经网络对关键特征的学习能力以及判别能力。
在本实施例中，进一步地，所述注意力机制模块的输入端为所述卷积层 的第八层，所述注意力机制模块的输出端为所述卷积层的第九层。如图1所 示，工作时，首先将卷积层的第八层的输出特征图树图全局均值池化层用以 获得一个特征向量，该特征向量的维度与输入的特征图通道数一致，通过该 方式能够较好地保留全局空间信息，并降低了参数量，然后将得到的特征向 量输入两个全连接层进而显示学习特征图通道之间的相应关系，第二个全连 接层输出的特征向量相当于对来自卷积层输入特征的重要性度量，因而该全 连接层的神经元节点数量与通道数量一致。对卷积层的第八层的输出特征图 进行最大值池化操作之后，通过逐通道加权的方式将第二个全连接层的输出 与池化操作之后输出特征图相乘，用以实现在特征通道维度上对原始特征的 重新标定，从而降低计算的复杂程度。从卷积神经网络的全局特征出发，对 输入特征先通过全局均值池化层以及全连接层用以计算器注意力分布，然后 根据分布对输入特征进行加权，能够使得模型更好地关注与肺炎诊断任务相 关的通道特征，抑制无关特征对模型性能的影响，通过增加少量参数就可以提高模型对特征通道的敏感度，进而增强了特征的判断能力。
在本实施例中，进一步地，所述卷积神经网络在训练过程中通过分类优 化模块对模型学习的权重参数进行设置并确定。这里通过梯度下降算法选取 损失函数进而确定模型学习的权重参数的最优设置，通过损失函数的变化了 解算法拟合数据的整个过程。
在本实施例中，进一步地，所述分类优化模块选用均方误差损失函数、 平均绝对误差损失函数或对数似然损失函数。对于二分类问题而言，由于卷 积神经网络仅需要预测两种情形所对应的结果，当假设每一类别对应的模型 预测概率分别为p和1-p时，损失函数的表达式如下： 
其中，正类为1，负类为0，N表示训练 数据的样本总数，yi表示样本i的标签，ρi表示样本i预测为正类的概率， 1-ρi表示样本i预测为负类的概率。
在本实施例中，进一步地，所述池化层聚合提纯过程采用最大值池化或 者均值池化。为了降低特征图的尺寸，通过堆叠的卷积层从像素级别的原始 数据到抽象的语义概念逐层提取信息，以实现在不增加模型计算复杂程度的 基础上得到更广泛的输入视图，而这使得模型能够更好地聚合图像上下文信 息。
在本实施例中，进一步地，所述卷积层的卷积核尺寸均设置为3×3，将 卷积核尺寸设置为较小的尺寸能够给使得每个神经元节点相对于总感受野 足够小，进而捕捉与目标任务相关的局部细节特征，同时避免了参数规模的 大量增加所带来的不利影响对于滤波器尺寸较小造成的局部感受野的大小 收到限制情况，设置扩张卷积替代普通卷积层能够在不增加模型参数的基础 上，提升该层卷积核相较于远距离信息的敏感程度。
在本实施例中，进一步地，所述全连接层之间设有一Dropout层，所述 Dropout层的系数设置为0.5。这样每次更新训练时，它会随机停止一半神 经元节点的训练，从而防止隐藏层的神经元节点依赖于特定的输入，提高模 型性能；另一方面，在训练过程中从训练数据随机抽取小批量数据的方式对 网络进行迭代训练，在前向传播过程中计算得到模型预测结果，进而在反向 传播过程中结合随机梯度下降算法来最小化损失函数，并更新权值参数直至 模型收敛，能够避免模型在训练过程中过拟合情况的发生。
一般来说，为获得较好分类性能，卷积神经网络需要提取输入图像特征 以获得足够的感受野，从而得到更高层次的语义信息，然而，传统通过增加 卷积层、卷积核尺寸又会导致模型空间复杂度增加以及对内存空间的更高要 求，以致于模型训练过程中产生效率低下以及过拟合的问题。
池化层用于对特征信息进行去冗余过程。
该系统对于样本原始图像的数量需求比较大，但现实情况难以获得足够 多的肺炎原始图像，由于卷积神经网络结构与常见预训练模型的结构存在比 较大的差异，直接进行参数迁移是较为困难的，另一方面由于传统ImageNet 数据集主要由自然界中的彩色图像构成，但本系统的数据集是由灰度图构 成，二者间的领域相关度存在很大差异，使得自然图像与医学影像图存在明 显分布无法匹配的情况，采用ImageNet数据集的知识迁移学习方法非但不 一定能够得到最优解，很大程度上还可能导致模型在医学影像图数据集里的 分类能力下降，因而需要对卷积神经网络的分类能力进行优化。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳 实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均 等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (10)
1.基于人工智能技术的新冠肺炎数据处理系统，其特征在于，包括
肺部数据库，所述肺部数据库配置有若干肺炎原始图像和若干正常原始图像的肺部数据库，经由训练筛选得到肺炎样本图像及正常样本图像作为数据集构成卷积神经网络模型；
卷积神经网络，所述卷积神经网络采用堆叠结构从像素级的原始数据向抽象的语义概念逐层提取信息，用以获得广泛的输入视图；
图像预处理单元，所述图像预处理单元包括图像扩增模块以及图像对比度增强模块，所述图像扩增模块用于增加训练样本图像的数量，所述图像对比度增强模块用于增强样本局部对比度，增强局部对比度之后的样本图像经由线性插值模块缩小得到样本增强图像。
2.根据权利要求1所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述卷积神经网络模型包括卷积层、池化层以及全连接层，所述卷积层用于提取输入图像的特征信息，所述池化层用于去除上述特征信息进行聚合提纯，所述全连接层用于实现当前层神经元节点与上一层神经元节点之间的连接。
3.根据权利要求1所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述卷积层的第四层与第六层之间增设有一用于增强模型特征图像判断能力的特征融合模块，所述特征融合模块设置为卷积核为1×1的卷积层。
4.根据权利要求1所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述卷积神经网络还设有注意力机制模块，所述注意力机制模块用于根据高层学习到的全局信息对特征通道进行加权，然后反馈给输出特征图进而实现对重要特征的筛选。
5.根据权利要求4所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述注意力机制模块的输入端为所述卷积层的第八层，所述注意力机制模块的输出端为所述卷积层的第九层。
6.根据权利要求1所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述卷积神经网络在训练过程中通过分类优化模块对模型学习的权重参数进行设置并确定。
7.根据权利要求6所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述分类优化模块选用均方误差损失函数、平均绝对误差损失函数或对数似然损失函数。
8.根据权利要求2所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述池化层聚合提纯过程采用最大值池化或者均值池化。
9.根据权利要求1所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述卷积层的卷积核尺寸均设置为3×3。
10.根据权利要求2所述的基于人工智能技术的新冠肺炎数据处理系统，其特征在于，所述全连接层之间设有一Dropout层，所述Dropout层的系数设置为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784082.3A CN113409300A (zh) | 2021-07-12 | 2021-07-12 | 基于人工智能技术的新冠肺炎数据处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110784082.3A CN113409300A (zh) | 2021-07-12 | 2021-07-12 | 基于人工智能技术的新冠肺炎数据处理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113409300A true CN113409300A (zh) | 2021-09-17 |
Family
ID=77686111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110784082.3A Pending CN113409300A (zh) | 2021-07-12 | 2021-07-12 | 基于人工智能技术的新冠肺炎数据处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409300A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935969A (zh) * | 2021-10-18 | 2022-01-14 | 太原理工大学 | 一种基于领域知识引导的新冠肺炎特异性病例的诊断系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298387A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 融入像素级attention机制的深度神经网络目标检测方法 |
| CN111739075A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
| CN112070753A (zh) * | 2020-09-10 | 2020-12-11 | 浙江科技学院 | 多尺度信息增强双目卷积神经网络显著性图像检测方法 |
| CN112116009A (zh) * | 2020-09-21 | 2020-12-22 | 长沙理工大学 | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 |
| CN112418329A (zh) * | 2020-11-25 | 2021-02-26 | 武汉大学 | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统 |
| CN113065550A (zh) * | 2021-03-12 | 2021-07-02 | 国网河北省电力有限公司 | 基于自注意力机制的文本识别方法 |
-
2021
- 2021-07-12 CN CN202110784082.3A patent/CN113409300A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298387A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 融入像素级attention机制的深度神经网络目标检测方法 |
| CN111739075A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
| CN112070753A (zh) * | 2020-09-10 | 2020-12-11 | 浙江科技学院 | 多尺度信息增强双目卷积神经网络显著性图像检测方法 |
| CN112116009A (zh) * | 2020-09-21 | 2020-12-22 | 长沙理工大学 | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 |
| CN112418329A (zh) * | 2020-11-25 | 2021-02-26 | 武汉大学 | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统 |
| CN113065550A (zh) * | 2021-03-12 | 2021-07-02 | 国网河北省电力有限公司 | 基于自注意力机制的文本识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周进凡等: "基于卷积神经网络的肺炎检测系统", 《现代电子技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935969A (zh) * | 2021-10-18 | 2022-01-14 | 太原理工大学 | 一种基于领域知识引导的新冠肺炎特异性病例的诊断系统 |
| CN113935969B (zh) * | 2021-10-18 | 2024-04-12 | 太原理工大学 | 一种基于领域知识引导的新冠肺炎特异性病例的诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652321B (zh) | 一种基于改进yolov3算法的海上船舶检测方法 | |
| Zhou et al. | Convnets vs. transformers: Whose visual representations are more transferable? | |
| CN110189308B (zh) | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 | |
| CN110288555B (zh) | 一种基于改进的胶囊网络的低照度增强方法 | |
| Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
| CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
| Wazir et al. | HistoSeg: Quick attention with multi-loss function for multi-structure segmentation in digital histology images | |
| CN111611972B (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN110543916B (zh) | 一种缺失多视图数据的分类方法及系统 | |
| Yuan et al. | Neighborloss: a loss function considering spatial correlation for semantic segmentation of remote sensing image | |
| CN114004333A (zh) | 一种基于多假类生成对抗网络的过采样方法 | |
| Li et al. | HEp-Net: a smaller and better deep-learning network for HEp-2 cell classification | |
| CN111680755A (zh) | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 | |
| CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
| CN112085162B (zh) | 基于神经网络的磁共振脑组织分割方法、装置、计算设备及存储介质 | |
| CN111814881A (zh) | 一种基于深度学习的海洋鱼类图像识别方法 | |
| CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
| CN109766918A (zh) | 基于多层次上下文信息融合的显著性物体检测方法 | |
| Zeng et al. | Progressive feature fusion attention dense network for speckle noise removal in OCT images | |
| Khan et al. | An effective approach to address processing time and computational complexity employing modified CCT for lung disease classification | |
| CN113409300A (zh) | 基于人工智能技术的新冠肺炎数据处理系统 | |
| CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
| Wang et al. | Feature enhancement: predict more detailed and crisper edges | |
| Yang et al. | Ship classification based on convolutional neural networks | |
| CN117197156B (zh) | 基于双解码器UNet和Transformer的病变分割方法及系统 |
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: 20210917 |
|
| RJ01 | Rejection of invention patent application after publication |