【技术实现步骤摘要】
一种用于遗传病面部识别模型的构建方法及装置
本申请涉及人工智能技术及遗传咨询相关领域，特别是涉及一种用于遗传病面部识别模型的构建方法及装置。
技术介绍
遗传病是指由遗传物质发生改变而引起的或者是由致病基因所控制的疾病。在传统技术中，对于遗传病的检测，一般是进行基因检测，并对其家系患病史进行分析，不仅成本高、耗时长，且检测结果的准确性通常依赖于医生的专业水平及临床经验。然而，随着人工智能技术的高速发展，机器视觉已与各行各业息息相关，传统的医疗行业对于人工智能的需求更为突出，越来越多的机器视觉技术手段也应用到了医疗领域。因此，亟需一种基于机器视觉的遗传病面部识别模型。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高检测准确率且无需医生干预的用于遗传病面部识别模型的构建方法及装置、计算机设备和存储介质。一种遗传病面部识别模型的构建方法，所述方法包括：获取第一训练数据集和第二训练数据集，其中，第一训练数据集中包括若干个第一人脸图像，第二训练数据集中包括患有遗传病的病人的第二...
【技术保护点】
1.一种遗传病面部识别模型的构建方法，其特征在于，所述方法包括：/n获取第一训练数据集和第二训练数据集，所述第一训练数据集中包括若干个第一人脸图像，所述第二训练数据集中包括患有遗传病的病人的第二人脸图像，所述第二人脸图像中设置有遗传病类型标签；/n采用所述第一训练数据集，利用第一损失函数训练深度学习神经网络，得到预训练模型；/n响应于对所述预训练模型中网络参数的更新操作，获取更新后的预训练模型；/n采用所述第二训练数据集，利用第二损失函数训练所述更新后的预训练模型，直到所述第二损失函数达到最小值时，得到遗传病面部识别模型。/n
【技术特征摘要】
1.一种遗传病面部识别模型的构建方法，其特征在于，所述方法包括：
获取第一训练数据集和第二训练数据集，所述第一训练数据集中包括若干个第一人脸图像，所述第二训练数据集中包括患有遗传病的病人的第二人脸图像，所述第二人脸图像中设置有遗传病类型标签；
采用所述第一训练数据集，利用第一损失函数训练深度学习神经网络，得到预训练模型；
响应于对所述预训练模型中网络参数的更新操作，获取更新后的预训练模型；
采用所述第二训练数据集，利用第二损失函数训练所述更新后的预训练模型，直到所述第二损失函数达到最小值时，得到遗传病面部识别模型。
2.根据权利要求1所述的方法，其特征在于，所述第一损失函数采用softmax损失函数，所述第二损失函数采用A-softmax损失函数。
3.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络采用Resnet64作为主干网络，并在所述Resnet64的每一层残差网络中添加SE模块，以形成SE-Resnet64网络结构；所述利用第一损失函数训练深度学习神经网络，包括：
利用第一损失函数训练所述SE-Resnet64网络结构。
4.根据权利要求3所述的方法，其特征在于，所述SE-Resnet64网络结构包括依次连接的4个残差模块，各残差模块分别包括10层、18层、24层以及10层残差网络，所述各残差模块分别对应的通道数为64个、128个、256个以及512个。
5.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络采用Densenet169作为主干网络，并在所述Densenet169的最大池化层后添加Ateention模块，以形成A-Densenet169网络结构；所述利用第一损失函数训练深度学习神经网络，包括：
利用第一损失函数训练所述A-Densenet169网络结构。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述响应于对所述预训练模型中网络参数的更新操作，包括：
获取对所述预训练模型中设定层的网络权重冻结操作、以及获取对所述预训练模型中全连接层输出的类别数和模型学习率的设置操作；
根据所述冻结操作和设置操作更新所述预训练模型的网络参数，得到更新后的预训练模型。
7.一种遗传病风险预测方法，其特征在于，所述方法包括：
获取待预测图像数据；
采用多任务卷积神经网络识别所述待预测图像数据中的人脸区域，并检测所述人脸区域的人脸置信度；
提取所...
【专利技术属性】
技术研发人员：王建峰，康健，程伟，李鑫，付文，赵荔君，宋泽坤，梁波，
申请(专利权)人：苏州超云生命智能产业研究院有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。