[发明专利]基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法

摘要

本发明提供一种基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法，该方法首先对源数据集进行人工标注，再在全卷积网络语义分割与卷积神经网络算法的基础上，先采用全卷积网络语义分割算法对图像进行前景分割肺部区域得到感兴趣区域，将提取到的感兴趣区域输入到卷积神经网络模型中训练分类器，从而预测未知胸部X线图像所属类别提取感兴趣区域的高维特征，同时采用传统的图像处理方法提取感兴趣区域的低维特征，分别将高、低维特征用于训练非线性分类器，并预测未知X线图像的类别，从而判断患者所患肺炎的类型。采用主成成分分析算法对特征降维，减少计算量，然后将混合降维后的特征输入到非线性分类器中，对未知X线图像预测类别。

主权项

1.一种基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法，其特征在于，包括以下步骤：

S1：分割胸部X图像的肺部区域作为感兴趣区域；

S2：将感兴趣区域输入卷积神经网络分类器；

S3：抽取高、低维特征放入非线性分类器；

S4：混合高、低维特征放入非线性分类器得到分类结果。

2.根据权利要求1所述的基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法，其特征在于，所述步骤S1的具体过程是：

准备若干张胸部X影像以及对应的图像格式和肺部掩模图像，将图像及肺部掩模图像按照4:1比例划分成训练集和验证集，采用已公开数据作为测试集，用8层网络结构训练PSCAL VOC2012数据集得到全卷积网络模型，对上述数据进行迁移学习，将训练所得模型用于测试集，生成测试集对应的肺部掩模图像，依据肺部掩模图像得到感兴趣区域。

3.根据权利要求2所述的基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法，其特征在于，用8层网络结构训练PSCAL VOC2012数据集得到全卷积网络模型的具体过程是：

1)、8层网络结构都是卷积层，神经网络的结构特点就是将上一层的输出作为下一层的输入，即第n‑1层的第k个特征图，经过卷积核g和偏置项b的运算，得到第n层的的输入公式如下：

其中，f()代表激活函数，比如这里采用修正线性单元激活函数，对于输入值x，激活函数表示：f(x)＝max(0,x)；

2)、为了减少参数便于计算，在第1、2层卷积层后面加上采样层，假设n‑1层为卷积层，第n层的计算公式如下：

其中down(·)为下采样函数，以n×n的最大池化为例，即选取n2个值中最大值来代表该区域；

3)、在后3层卷积层加上了反卷积层，也称为上采样层，可理解为卷积的逆操作过程，在网络中，g_ij是连接n‑1层的某个神经元i与第n层某个神经元j的权重，0表示i和j不相连，那么权重矩阵C可由公式表示为：

由步骤A1可知，卷积过程由输入x得到输出o的公式可以简化为：

反卷积过程由输入x’得到输出o’的公式为：得到与原图一样大小的预测图像并每一个像素都会有对应分类；

4)、定义损失函数，公式如下：

其中，b表示批量尺寸大小，y_i表示第i个样本的真实标签，表示预测标签，p_i是一个[0,1]概率值，取值依据公式：

其中，γ属于惩罚项，o_i是第i个神经元的输出；

5)、在训练网络的过程中，前向传播和后向传播是交替进行的，直到最终误差在可接受范围以内便可训练完成。

4.根据权利要求3所述的基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法，其特征在于，所述步骤S2中，采用卷积神经网络8层网络结构训练ImageNet数据集得到的模型，将步骤S1中得到的感兴趣区域数据按4:1:1比例分成训练集、验证集和测试集，训练的到的模型将输出图像样本的所属类别，即分类结果。

5.根据权利要求4所述的基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法，其特征在于，将感兴趣区域输入卷积神经网络分类器方法步骤如下：

S21、卷积神经网络8层网络结构包含5个卷积层和3个全连接层，卷积和采样过程和A1、A2是一致的，后3层全连接层即第n‑1层所有神经元和第n层所有神经元相连，设初始化参数是θ_fc，卷积核为g，迭代次数为0：t←0，批量尺寸大小为0，则迁移学习过程为重复2)至5)；

S22、计算损失函数L(g,θ_fc)，公式如下：