基于轻量级孪生卷积神经网络的病识别方法技术

本发明专利技术公开了一种基于轻量级孪生卷积神经网络的病识别方法，包括如下步骤：构建细粒度病变特征联合训练模型，包括数据生成器，数据生成器与特征提取器连接，特征提取器与孪生卷积神经网络连接，孪生卷积神经网络与特征判别网络连接；对细粒度病变特征联合训练模型进行训练，基于损失函数值最小的细粒度病变特征联合训练模型生成细粒度病变特征识别模型；将待识别图像输入细粒度病变特征识别模型中，输出对应的皮肤病类别。基于孪生卷积神经网络进行正负样本联合训练的方法，模型可以提取到更具判别性的特征，有效缓解了原始数据集中病变图像特征存在类间差异小，类内差异大情况，增强了模型的特征判别能力。

【技术实现步骤摘要】
基于轻量级孪生卷积神经网络的病识别方法
本专利技术属于病变识别
，更具体地，本专利技术涉及一种基于轻量级孪生卷积神经网络的病识别方法。
技术介绍
医疗关乎人类生命健康，近年来，借助数据驱动的方法辅助医学图像分析诊断得到了越来越多医学图像与计算机视觉领域学术界与工业界的关注，越来越多先进的算法被开发出来辅助人类医生进行疾病诊断。基于机器学习的自动识别模型，主要包括特征提取与分类器训练两个步骤。其中，如何有效对表观特征进行建模直接影响模型最终的性能。在医学图像分析，尤其是识别领域，最常用的分类器是KNN、SVM和LogisticRegression。LogisticRegression和KNN算法简洁而清晰，SVM则有着非常良好的数学理论证明和高维特征下强大的分类能力。因此，在深度学习尚未大规模应用之前，设计良好的特征来训练传统机器学习分类器一直是医学图像分析领域研究者的工作重心。但是，因表观特征非常复杂，手工设计的特征往往需要经验非常丰富的专家来完成。此外，手工设计的特征并不能准确对病变区域外观进行良好表示，因此其泛化性能通常较差，表现为在本文档来自技高网...

【技术保护点】
1.一种基于轻量级孪生卷积神经网络的病识别方法，其特征在于，所述方法具体包括如下步骤：/nS1、构建细粒度病变特征联合训练模型，包括数据生成器，数据生成器的输出端与特征提取器的输入端连接，特征特征提取器的输出端与孪生卷积神经网络的输入端连接，孪生卷积神经网络中的全局平均池化层的输出端与特征判别网络的输入端连接；/nS2、对细粒度病变特征联合训练模型进行训练，基于损失函数值最小的细粒度病变特征联合训练模型生成细粒度病变特征识别模型；/nS3、将待识别图像输入细粒度病变特征识别模型中，输出对应的皮肤病类别。/n

【技术特征摘要】
1.一种基于轻量级孪生卷积神经网络的病识别方法，其特征在于，所述方法具体包括如下步骤：
S1、构建细粒度病变特征联合训练模型，包括数据生成器，数据生成器的输出端与特征提取器的输入端连接，特征特征提取器的输出端与孪生卷积神经网络的输入端连接，孪生卷积神经网络中的全局平均池化层的输出端与特征判别网络的输入端连接；
S2、对细粒度病变特征联合训练模型进行训练，基于损失函数值最小的细粒度病变特征联合训练模型生成细粒度病变特征识别模型；
S3、将待识别图像输入细粒度病变特征识别模型中，输出对应的皮肤病类别。


2.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，细粒度病变特征联合训练模型具体如下：
数据生成器，用于生成训练样本对，训练样本对由设定比例的正样本对及负样本对组成，训练样本对输入特征提取器；
特征提取器，用于提取输入训练样本对对应的两组特征向量，分别输入至孪生卷积神经网络的两支分类网络；
孪生卷积神经网络，包括两支分类网络，分别判断两组特征向量所述的病变类别，并输出至特征判别网络；
特征判别网络，基于两组特征向量判断输入训练样本对是否属于同一病变类别。


3.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，细粒度病变特征识别模型具体如下：
特征提取器，用于提取待识别图像的特征向量，分别输入至孪生卷积神经网络中损失函数值小的分类网络；
孪生卷积神经网络，损失函数值小的分类网络基于特征向量判断待识别图像对应的病变类别，并进行输出。


4.如权利要求1所述基于轻量级孪生卷积神经网络的病识别方法，其特征在于，在步骤S3之后还包括：
S4、输出用于病变类别...

【专利技术属性】
技术研发人员：丁坤，徐劲松，高云峰，曹雏清，
申请(专利权)人：哈尔滨工业大学芜湖机器人产业技术研究院，
类型：发明
国别省市：安徽;34