申请/专利权人：桂林理工大学

申请日：2021-12-20

公开（公告）日：2024-04-16

公开（公告）号：CN114359629B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/20;G06V10/30;G06V10/82;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.05.03#实质审查的生效;2022.04.15#公开

摘要：本发明公开了一种基于深度迁移学习的肺炎X胸片分类识别方法，其中包括：首先，获取源域数据集和目标域数据集，并且对目标域数据集进行去噪、灰度变换、统一尺寸、归一化等预处理操作；其次，搭建第一分类模型；将利用源域数据集训练得到的基权重加载到第一分类模型中，冻结低层卷积网络参数后再次训练目标域数据集；再次，在第一分类模型的基础上结合由向量神经网络组成的胶囊网络CapsNet搭建第二分类模型，最后利用不同的评价指标对训练好的模型对测试集进行测试。本发明巧妙地利用迁移学习的方法有效解决了小型数据集难以在传统深度学习方法中训练且结果容易过拟合的问题；此外，本发明一定程度上提高了肺炎X胸片的识别率。

主权项：1.一种基于深度迁移学习的肺炎X胸片分类识别方法，其特征在于，具体步骤包括：S1：获取数据集，其中包含源域肺部ChestX-Ray8胸片数据集和目标域COVIDX-Ray肺炎X胸片数据集；S2:将目标域数据集分为训练集、测试集和验证集，并且对目标域数据集所有X胸片进行预处操作；S3：构建深度迁移学习模型，首先使用VGG16网络模型对源域ChestX-Ray8胸片数据集进行训练得到网络基权重，其次将基权重加载到改进后的VGG16后再使用采用深度渐进微调策略对目标域数据集进行再次训练，得到第一分类模型DPFT-VGG16；最后为得到更好实验结果在第一分类模型的基础之上融合向量胶囊网络CapsNet，得到第二分类模型DPFT-VGGCapsNet；第一分类模型通过如下训练过程所得到：第一分类模型为改进后的VGG16模型，其中主要的改进部分为BN层和特征融合层的增加，在网络模型的低层卷积后加入BN层可以对模型中每个mini-batch的数据进行归一化使得均值为0方差为1，有效改善训练过程中出现梯度消失或者梯度爆炸等问题；特征融合层的加入，使得模型训练过程中每经过一次反向传播后都对特征融合层中的参数进行调整同时进行一次特征融合；因此整个第一分类模型DPFT-VGG16最终由13个卷积层，2个BN层，5个最大池化层和由2个全连接层和1个Dropout层的特征融合层组成；其中卷积层中全部采用3*3的小尺寸卷积核，填充方式为全零填充的Zero-padding且步长为1；池化过程使用2*2的池化核，且步长为2；训练过程为，将采用源域数据集ChestX-Ray8训练所得到的基权重加载到第一分类模型中，并采用目标域数据集COVIDX-Ray对第一分类模型进行训练，其中具体迁移过程的公式如下： 其中xi,xj分别表示第i,j个样本，yi,yj表示相对应的标签，Xs,Xt分别表示Ds,Dt的特征空间，Ys,Yt分别表示Ds,Dt的标签空间；将基权重加载到第一分类模型DPFT-VGG16后，冻结整个网络的前16层网络参数，深度渐进微调最后3个卷积层；在训练模型的过程中，采用ReLu作为模型的激活函数，优化器选择Adam梯度下降算法，同时在整个训练过程中采用学习率逐渐递减的方式动态调整学习率，模型训练前将初始学习率设置为0.001，在每训练5个epoch后如果评价指标不再提升时则将学习率减小到原来的一半，最后经由特征融合层后在softmax分类器的作用下得到类别结果，其中特征融合层中参数更新公式如下： 其中：α为学习率；为第l-1层的第j个神经元连接到l层第i个神经元的权重；为第l层第i个神经元的偏置值；S4：构建特征融合层，将数据集输入到模型中进行训练，采用动态改变学习率大小的训练方法，经由特征融合层后在分类器的作用下得到不同的分类结果；S5:将未标记的训练集和验证集X胸片输入到S3和S4中所搭建的深度迁移第一分类模型和第二分类模型进行验证和测试，采用多种评价指标对测试集不同类别的X胸片结果进行分类评价。

全文数据：

权利要求：

百度查询： 桂林理工大学 一种基于深度迁移学习的肺炎X胸片分类识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD