基于深度学习的肺结核识别诊断模型、方法、装置及介质制造方法及图纸

本发明专利技术公开了基于深度学习的肺结核识别诊断模型、方法、装置及介质，属于深度学习技术领域，要解决的技术问题为如何高效准确的对肺结核X

【技术实现步骤摘要】
基于深度学习的肺结核识别诊断模型、方法、装置及介质


[0001]本专利技术涉及深度学习
，具体地说是基于深度学习的肺结核识别诊断模型、方法、装置及介质。

技术介绍

[0002]随着人工智能技术的快速发展，得益于计算机算力和数据的爆发式增长，人工智能技术结合具体行业的应用落地也在急速推行。并且随着近十多年的医院信息化推进，医院中积累了大批量的患者就诊数据及珍贵的影像数据，其中更是有数以万计患者的肺部X
‑
ray影像图片。这些肺部X
‑
ray影像图片包含了结核病的关键病理特征，具备很高的应用价值，需要我们去探索发现，人工智能技术可以帮助我们对肺结核病理建模并进行快速辅助诊断。
[0003]结核病肺部影像数据的解读通常需要较为资深的医师进行，对其专业知识技能要求高，这些医师通常是医院的稀缺资源。而解读一个患者的影像数据通常需要一个或者多个医师花费数分钟乃至数十分钟进行，并且仍然有可能会遗漏图像中的某些关键细节，导致错误的诊断。所以，医院需要一个智能化的辅助决策系统，帮助医师进行更快、更准确的诊断。
[0004]如何高效准确的对肺结核X
‑
ray图像进行识别诊断，是需要解决的技术问题。

技术实现思路

[0005]本专利技术的技术任务是针对以上不足，提供基于深度学习的肺结核识别诊断模型、方法、装置及介质，来解决如何高效准确的对肺结核X
‑
ray图像进行识别诊断的技术问题。
[0006]第一方面，本专利技术的基于深度学习的肺结核识别诊断模型，所述识别诊断模型包括三个策略模型，分别为：
[0007]Concatenation策略模型，所述Concatenation策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，用于对得到的特征向量进行维度规约以将特征向量的维度统一化，并将维度统一化特征向量进行拼接得到拼接后特征向量，对于拼接后特征向量，用于通过全连接层进行识别分类，得到诊断结果；
[0008]Voting策略模型，所述Voting策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，对于每个维度统一化后特征向量，用于通过对应的全连接层进行识别分类，得到所述维度统一化后特征向量对应的诊断结果，并用于计算诊断结果的平均值作为最终诊断结果；
[0009]Attention策略模型，所述Attention策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，用于基于注意力机制对维度统一化后特征向量进行加权求和，得到加权后特征向量，对于每个加权后特征向量，用于通过对应的全连接层进行识别分类，得到所述加权后特征向量对应的诊断结果，并用于计算诊断结果的平均值作为最终诊断结果。
[0010]作为优选，所述Concatenation策略模型包括：
[0011]特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；
[0012]全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；
[0013]维度规约模块，所述维度规约模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量；
[0014]维度拼接模块，所述维度拼接模块用于将输入的特征向量进行拼接，得到长维度的拼接后特征向量；
[0015]单头分类模块，所述单头分类模块包括一个全连接层，用于以拼接后特征向量为输入进行识别分类，输出诊断结果。
[0016]作为优选，所述Voting策略模型包括：
[0017]特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；
[0018]全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；
[0019]维度规约模块，所述维度规约模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量；
[0020]多头分类模块，所述多头分类模块包括多个全连接层，每个维度统一后特征向量对应一个全连接层，对于每个维度统一后特征向量，通过对应的全连接层进行识别分类得到诊断结果，并计算所有诊断结果的平均值作为最终诊断结果输出。
[0021]作为优选，所述Attention策略模型包括：
[0022]特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；
[0023]全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；
[0024]权重求和模块，所述权重求和模块用于基于注意力机制对维度统一化后特征向量进行加权求和，得到加权后特征向量；
[0025]多头分类模块，所述多头分类模块包括多个全连接层，每个维度统一后特征向量对应一个全连接层，对于每个维度统一后特征向量，通过对应的全连接层进行识别分类得到诊断结果，并计算所有诊断结果的平均值作为最终诊断结果输出。
[0026]作为优选，所述权重求和模块包括：
[0027]维度规约子模块，所述维度规约子模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量，维度统一后特征向量表示为(B,1,C
′
1)...(B,1,C
′
n)，记为query(1...n)；
[0028]维度拼接子模块，维度拼接子模块用于将输入的特征向量进行拼接，得到长维度
的拼接后特征向量，拼接后特征向量表示为(B,n,C
′
)，并将其记为key和value；
[0029]矩阵变换子模块，所述矩阵变换子模块用于对每个query进行如下操作：将key进行维度规约变为(B,C
′
,n),利用pytorch的bmm(Batch MatrixMultiply)对query和key进行矩阵乘法，得到矩阵(B,1,n),并记为weight,同样对weright和value进行矩阵乘法，得到(B,1,C
′
)，对(B,1,C
′
)进行维度规约得到(B,C
′
)，最终得到权重求和后特征向量，表示为(B,C
′
1)...(B,C
′
n)。
[0030]第二方面，本专利技术的基于深度学习的肺结核识别诊断方法，包括如下步骤：
[0031]构建肺结核诊断模型，所述肺结核诊断模型为如权利要求1
‑
5任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的肺结核识别诊断模型，其特征在于所述识别诊断模型包括三个策略模型，分别为：Concatenation策略模型，所述Concatenation策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，用于对得到的特征向量进行维度规约以将特征向量的维度统一化，并将维度统一化特征向量进行拼接得到拼接后特征向量，对于拼接后特征向量，用于通过全连接层进行识别分类，得到诊断结果；Voting策略模型，所述Voting策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，对于每个维度统一化后特征向量，用于通过对应的全连接层进行识别分类，得到所述维度统一化后特征向量对应的诊断结果，并用于计算诊断结果的平均值作为最终诊断结果；Attention策略模型，所述Attention策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，用于基于注意力机制对维度统一化后特征向量进行加权求和，得到加权后特征向量，对于每个加权后特征向量，用于通过对应的全连接层进行识别分类，得到所述加权后特征向量对应的诊断结果，并用于计算诊断结果的平均值作为最终诊断结果。2.根据权利要求1所述的基于深度学习的肺结核识别诊断模型，其特征在于所述Concatenation策略模型包括：特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；维度规约模块，所述维度规约模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量；维度拼接模块，所述维度拼接模块用于将输入的特征向量进行拼接，得到长维度的拼接后特征向量；单头分类模块，所述单头分类模块包括一个全连接层，用于以拼接后特征向量为输入进行识别分类，输出诊断结果。3.根据权利要求1所述的基于深度学习的肺结核识别诊断模型，其特征在于所述Voting策略模型包括：特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；维度规约模块，所述维度规约模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量；多头分类模块，所述多头分类模块包括多个全连接层，每个维度统一后特征向量对应一个全连接层，对于每个维度统一后特征向量，通过对应的全连接层进行识别分类得到诊断结果，并计算所有诊断结果的平均值作为最终诊断结果输出。4.根据权利要求1所述的基于深度学习的肺结核识别诊断模型，其特征在于所述
Attention策略模型包括：特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；权重求和模块，所述权重求和模块用于基于注意力机制对维度统一化后特征向量进行加权求和，得到...

【专利技术属性】
技术研发人员：杨高超，孙承旭，后永胜，
申请(专利权)人：山东健康医疗大数据有限公司，
类型：发明
国别省市：