[发明专利]一种基于深度神经网络的X光影像分割与分类预测模型

权利要求书

1.一种基于深度神经网络的X光影像分割与分类预测模型，其特征在于，步骤如下：

步骤一，对X光影像进行预处理，包括数据归一化、加噪、随机旋转和上采样；

步骤二，构建基于注意力机制的U-Net影像分割模型；

基于注意力机制的U-Net影像分割模型，实现消除噪声实体在X光影像上的成像，完成X光影像分割，得到X光影像中对应的目标实体掩膜图像；目标实体掩膜图像和原X光影像大小相同，且图像中每一位置数值为0或1，0代表舍弃原X光影像对应位置信息，1代表保留；将目标实体掩膜图像与原X光影像对应位置相乘，得到只包含有目标实体的X光影像；

U-Net神经网络使用跳跃连接方式将高层卷积特征层和低层卷积特征层进行拼接融合；加入注意力机制，其学习过程如下：

其中，g_i表示像素i构成的特征图，在注意力机制的学习过程中作为门信号g_i，用于对低层卷积层得到的特征图进行过滤；表示针对于门信号g的1×1卷积运算，T表示矩阵的转置；表示针对于门信号g_i进行卷积得到的结果，用来调整特征图的数目；表示卷积层l输出的像素i构成的特征图，表示针对于特征图X的1×1卷积运算；表示针对于卷积层l输出的像素i构成的特征图进行卷积得到的结果，用来调整特征图的数目；b_g为偏置项，σ₁表示ReLU激活函数；表示1×1的卷积操作，用于拟合不同通道特征图之间的相互影响；为偏置项，矩阵为在注意力机制下针对于卷积层l的输出；σ₂为Sigmoid函数；为针对于卷积层l输出在注意力机制下的矩阵其中Θ_att表示在整个注意力机制实现过程中的参数矩阵；为卷积层l输出的像素i所构成的特征图中各个位置的注意力分配矩阵，矩阵值范围于0至1之间；

高层卷积特征层得到的特征图为门信号，对低层卷积特征层进行过滤，再通过跳跃连接的方式进行拼接；

步骤三，构建基于Inception-ResNet v2神经网络的影像分类预测模型；

Inception-ResNet v2神经网络主要由Stem模块、5个连续的Inception-ResNet-A模块、Reduction-A模块、10个连续的Inception-ResNet-B模块、Reduction-B模块、5个连续的Inception-ResNet-C模块、平均池化层、随机中断层和Sigmoid激活函数全连接层依次组成；

Stem模块包含连续的卷积和最大池化下采样操作，用于对只包含有目标实体的X光影像进行初步特征提取；

三类Inception-ResNet模块，即Inception-ResNet-A模块、Inception-ResNet-B模块和Inception-ResNet-C模块均包含Inception结构和ResNet模型；利用Inception结构的并行多尺度卷积方式，综合影像的整体特征和局部特征；采用ResNet模型中的残差连接方式，缓解神经网络在训练过程中出现的梯度弥散现象；三类Inception-ResNet模块中首先对进入该模块的特征图进行ReLU函数激活，然后并行进入多个特征提取支路以及一条短路支路，特征提取支路采取不同的卷积方式进一步提取特征，接着通过1×1卷积操作调整维度至与短路支路的特征图通道数一致，最后在通道方向进行加和并再一次进行ReLU函数激活，作为模型下一个结构的输入；

两类Reduction模块，即Reduction-A模块和Reduction-B模块包含Inception结构，多条并行的支路分别使用最大池化和卷积两种方式进行下采样，用于减小输入该模块特征图的尺寸，支路的输出端于通道方向进行拼接，作为模型下一个结构的输入；

平均池化层用于降低特征图尺寸；

随机中断层用于防止过拟合；

Sigmoid激活函数将任一实数映射到0到1之间，其数值解释为分类预测概率；

步骤四，训练步骤二和步骤三中的模型；训练过程分为两个阶段；第一个阶段单独训练影像分割模型至其收敛；第二个阶段利用训练好的影像分割模型对步骤三的影像分类预测模型进行训练直至二者均达到收敛；利用得到的影像分割模型和影像分类预测模型进行预测。

2.根据权利要求1所述的一种基于深度神经网络的X光影像分割与分类预测模型，其特征在于，影像分割模型和影像分类预测模型以交叉熵为损失函数，损失函数如下：

其中，y_i代表类别的标签，正例为1，负例为0；s_i表示预测为正的概率；w表示模型的参数，α表示正则化系数。