基于深度学习和迁移学习结合的新冠肺炎图像识别方法技术

本发明专利技术公开了一种基于深度学习和迁移学习结合的新冠肺炎图像识别方法，包括如下内容：步骤一、模型训练：利用深度卷积神经网络CNN作为图像特征提取器，对COVID‑CT开源数据集进行预训练，提取图像卷积特征；步骤二、将深度卷积神经网络CNN训练部分层的参数迁移至VGG19网络，通过对模型参数进行微调和重新训练。与现有技术相比，本发明专利技术的积极效果是：本发明专利技术通过对已有的预训练网络利用迁移学习进行微调与重新训练，以减小对训练数据量的需求和依赖；本发明专利技术基于VGG19网络，利用迁移学习方法进行训练，最终在未进行数据扩充的情况下在较短的时间内达到84％以上的召回率。

【技术实现步骤摘要】
基于深度学习和迁移学习结合的新冠肺炎图像识别方法
本专利技术公开了一种基于深度学习和迁移学习结合的新冠肺炎图像识别方法。
技术介绍
新型冠状病毒肺炎是因感染2019新型冠状病毒(2019-nCoV)引起的以肺部炎性病变为主的急性呼吸道感染性疾病，其传染性强，潜伏期长。目前确诊新型冠状病毒肺炎的标准是核酸检测阳性，而部分患者核酸检测结果呈假阴性，且需排查患者数量较大。对于无症状患者及大量待筛查者，影像学检查尤为重要。HRCT是2019-nCoV肺炎临床诊断的主要方法，具有方便、快捷的特点，在患者隔离、疗效评价与预防方面具有重要意义，而患者肺内病灶多，变化快，短时间内多次复查，图像多，显著增加了诊断医师的负荷。基于AI技术的辅助诊疗系统，可全自动、快速、准确地为医生提供诊疗意见，大幅减轻医疗负担，缓解隔离防控和医务人员紧缺的困难局面。近年来人工智能(artificialintelligence，AI)技术(尤其是深度学习技术)以其强大的数据分析和特征识别能力，已在胸片质控、肺结节检出、肺癌诊断等诸多肺部疾病中崭露头角并得到临床认可。深度学习本文档来自技高网...

【技术保护点】
1.一种基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：包括如下内容：/n步骤一、模型训练：/n利用深度卷积神经网络CNN作为图像特征提取器，对COVID-CT开源数据集进行预训练，提取图像卷积特征；/n步骤二、将深度卷积神经网络CNN训练部分层的参数迁移至VGG19网络，通过对模型参数进行微调和重新训练。/n

【技术特征摘要】
1.一种基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：包括如下内容：
步骤一、模型训练：
利用深度卷积神经网络CNN作为图像特征提取器，对COVID-CT开源数据集进行预训练，提取图像卷积特征；
步骤二、将深度卷积神经网络CNN训练部分层的参数迁移至VGG19网络，通过对模型参数进行微调和重新训练。


2.根据权利要求1所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：步骤一所述对COVID-CT开源数据集进行预训练时，将收集到的肺部CT图像分为训练集、测试集与验证集。


3.根据权利要求1所述的基于深度学习和迁移学习结合的新冠肺炎图像识别方法，其特征在于：步骤一所述模型训练时，对输入的CT图像，使用3x3的卷积和2x2的滤波器提取图像卷积特征，然后根据图像卷积特征结合CT图像的标题训练神经网络。<...

【专利技术属性】
技术研发人员：李甫，陈泓杏，吴开腾，孔花，张莉，
申请(专利权)人：内江师范学院，
类型：发明
国别省市：四川;51