申请/专利权人：长沙理工大学

申请日：2020-09-21

公开（公告）日：2024-04-26

公开（公告）号：CN112116009B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.01.08#实质审查的生效;2020.12.22#公开

摘要：本发明公开一种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，该方法针对X射线图像类别间相似度高且类别内变异性低的问题，构建了包括若干通道特征权重提取模块的图像识别模型，该通道特征权重提取模块可有效预防随着图像识别模型层数增多而退化的问题、减少模型的参数量，利用该通道特征权重提取模块可精确、快速地获取图像特征提取过程中每个通道的权重系数，放大权重靠前的通道特征、抑制权重靠后的通道特征，通过在模型中设计若干该通道特征权重提取模块可有效增强模型的特征提取能力，尤其是对X射线图像的特征提取能力，因此利用本发明提供的基于卷积神经网络的图像识别模型进行新冠肺炎X射线图像识别的精度高且识别速率快。

主权项：1.一种基于卷积神经网络的新冠肺炎X射线图像识别方法，其特征在于，包括：获取若干带标识的X-Ray图像；若干所述X-Ray图像中包括含COVID-19放射学特征的图像、含普通肺炎放射学特征的图像和正常图像；对X-Ray图像进行预处理，并将预处理后的X-Ray图像分成训练集和测试集；利用训练集对预先构建的基于卷积神经网络的图像识别模型进行训练，利用测试集对训练后的图像识别模型进行测试；所述图像识别模型包括：输入层，用于对输入的X-Ray图像进行初步特征提取，所述输入层包括1个卷积层和1个最大池化层；特征提取子网络，包括4个短连接模块和3个通道特征权重提取模块，所述短连接模块和通道特征权重提取模块交替连接；所述短连接模块包括若干串连的短连接层；输出层，用于根据最后1个短连接输出的特征图进行图像识别，输出图像类别；所述输出层包括分类器和Softmax层；所述通道特征权重提取模块依次包括：短连接层，包含多种尺寸的卷积核，用于减少图像识别模型的参数量；所述短连接层的输入端和输出端进行短连接，用于预防X-Ray图像信息丢失；全局平均池化层，用于将通道上的特征图压缩成一个全局特征；所述池化层的输入为短连接层的输出特征图与输入特征图进行对应特征值的相加后的特征图；第一全连接层，用于降低特征维度；第二全连接层，用于恢复特征维度，输出获得每个通道的权重系数；输出层，用于将每个通道与对应的权重系数相乘，放大权重靠前的通道特征、抑制权重靠后的通道特征；利用测试后的图像识别模型对待识别的X-Ray图像进行识别，获得X-Ray图像的类别。

全文数据：

权利要求：

百度查询： 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

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