一种基于卷积神经网络的肺炎X光影像分类检测方法技术

本发明专利技术公开了一种基于卷积神经网络的肺炎X光影像分类检测方法，将待识别的肺炎X影像输入至训练好的卷积神经网络模型，获取所述待识别肺炎X影像的分类检测结果；其中，所述训练好的卷积神经网络模型通过以下步骤获取：所述卷积神经网络模型为VGG

【技术实现步骤摘要】
一种基于卷积神经网络的肺炎X光影像分类检测方法


[0001]本专利技术涉及影像处理
，尤其涉及一种基于卷积神经网络的肺炎X 光影像分类检测方法。

技术介绍

[0002][0003]在传统的病毒检测中，需要对每一例疑似病例进行逆转录聚合酶链反应 (RT
‑
PCR)，然后才能进行检测、确诊，但是PT
‑
PCR检测方法十分耗时且检测的假阴性率较高。胸部X射线影像提供了丰富的病理影像信息，但由于缺乏计算机来准确地量化感染区域及其病理变化，医护人员无法快速地提供诊断筛查。
[0004]因此为了解决上述问题，设计一种快速地基于深度学习的肺炎X光影像分类检测方法是很有必要的。

技术实现思路

[0005]针对上述技术问题，本专利技术针提供了一种基于卷积神经网络的肺炎X光影像分类检测方法。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]一种基于卷积神经网络的肺炎X光影像分类检测方法，包括：
[0008]将待识别的肺炎X影像输入至训练好的卷积神经网络模型，获取所述待识别肺炎X影像的分类检测结果；
[0009]其中，所述训练好的卷积神经网络模型通过以下步骤获取：
[0010]所述卷积神经网络模型为VGG
‑
16网络模型；所述VGG
‑
16网络模型包括 13个卷积层、3个全连接层；所述13个卷积层分为5个组，所述5组卷积层后分别连接着池化层；
[0011]通过肺炎X光影像数据集中的训练集，对所述卷积神经网络模型进行训练，获取所述训练好的卷积神经网络模型；
[0012]所述训练好的卷积神经网络模型的输出层是SoftMax层；经过SoftMax层后，输出肺炎X光影像的分类检测结果。
[0013]进一步地，每一池化层的输出、每一全连接层的输出均连接有修正线性单元。
[0014]进一步地，所述5组卷积层中，每层卷积层的个数为2、2、3、3、3，每组卷积层的卷积核个数分别为64、128、256、512、512，每个卷积层采用3
×
3 的卷积核进行卷积，每个卷积层之后都有一个最大池化层maxpooling，并且池化框大小皆为2
×
2，步长stride设置为2。
[0015]进一步地，所述通过肺炎X光影像数据集中的训练集，对所述卷积神经网络模型进行训练，获取所述训练好的卷积神经网络模型，之前还包括：利用 OpenCV2库的resize函数将肺炎X光影像的大小从1024
×
1024调成为224
×ꢀ
224。
[0016]进一步地，所述5组卷积层具体为：
[0017]输入肺炎X光影像尺寸为224
×
224
×
3，经过卷积核数目为64的第1组卷积层
conv1、conv2之后，提取到的肺炎X光影像特征图的尺寸为224
×
224
×ꢀ
64，接着将其通过最大池化层maxpooling1，肺炎X光影像特征图的最终输出尺寸为112
×
112
×
64；
[0018]将maxpooling1的输出经过卷积核数目为128的第2组卷积层conv3、conv4 之后，提取到的肺炎X光影像特征图的尺寸为112
×
112
×
128，接着将其通过最大池化层maxpooling2，肺炎X光影像特征图的最终输出尺寸为56
×
56
×
128；
[0019]将maxpooling2的输出经过卷积核数目为256的第3组卷积层conv5、conv6 和conv7之后，提取到的肺炎X光影像特征图的尺寸为56
×
56
×
256，接着将其通过最大池化层maxpooling3，肺炎X光影像特征图的最终输出尺寸为28
×ꢀ
28
×
256；
[0020]将maxpooling3的输出经过卷积核数目为512的第4组卷积层conv8、conv9 和conv10之后，提取到的肺炎X光影像特征图的尺寸为28
×
28
×
512，接着将其通过最大池化层maxpooling4，肺炎X光影像特征图的最终输出尺寸为14
×ꢀ
14
×
512；
[0021]将maxpooling4的输出经过卷积核为512的第5组卷积层conv11、conv12 和conv13之后，提取到的肺炎X光影像特征图的输出尺寸为14
×
14
×
512；接着将其通过最大池化层maxpooling5，肺炎X光影像特征图的最终输出尺寸为7
ꢀ×7×
512。
[0022]进一步地，所述3个全连接层包括依次串行连接的第一全连接层、第二全连接层和第三全连接层；其中，第一全连接层、所述第二全连接层和所述第三全连接层的参数分别设置为(7
×7×
512，4096)、(4096，128)、(128，3)。
[0023]进一步地，对所述卷积神经网络模型进行训练，优化参数具体为：选取交叉熵代价函数作为损失函数loss function，并且使用正则化缓和过拟合，选取 Adam为训练时的优化器；学习率选取0.0001；批样本数量batchsize为48。
[0024]进一步地，所述数据集包括训练集、测试集，所述训练集、测试集的比例为9:1，通过测试集对卷积神经网络模型进行测试。
[0025]更进一步地，所述数据集包括新冠肺炎X射线影像、正常肺部X射线影像以及普通病毒性肺炎X射线影像。
[0026]与现有技术相比，本专利技术具有如下技术效果：
[0027]本专利技术提供的一种基于卷积神经网络的肺炎X光影像分类检测方法，搭建卷积神经网络模型并进行训练，基于训练好的卷积神经网络模型，对待识别肺炎X光影像进行分类识别，通过测试验证，能够提高肺炎X光影像分类识别的准确率。
附图说明
[0028]图1为本专利技术的获取训练好的卷积神经网络模型的方法；
[0029]图2为本专利技术的VGG
‑
16网络模型图；
[0030]图3为本专利技术全连接部分图；
[0031]图4为本专利技术正常肺部X射线影像示意图；
[0032]图5为本专利技术新冠肺炎X射线影像示意图；
[0033]图6为本专利技术病毒肺炎X射线影像示意图；
[0034]图7为本专利技术输入图像尺寸调整对比图；
[0035]图8为本专利技术在训练过程中损失值training loss的变化情况曲线图；
[0036]图9为本专利技术在训练过程中检测准确度training accs的变化情况曲线图；
[0037]图10为本专利技术测试集eval accs的变化情况本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的肺炎X光影像分类检测方法，其特征在于，包括：将待识别的肺炎X影像输入至训练好的卷积神经网络模型，获取所述待识别肺炎X影像的分类检测结果；其中，所述训练好的卷积神经网络模型通过以下步骤获取：所述卷积神经网络模型为VGG
‑
16网络模型；所述VGG
‑
16网络模型包括13个卷积层、3个全连接层；所述13个卷积层分为5个组，所述5组卷积层后分别连接着池化层；通过肺炎X光影像数据集中的训练集，对所述卷积神经网络模型进行训练，获取所述训练好的卷积神经网络模型；所述训练好的卷积神经网络模型的输出层是SoftMax层；经过SoftMax层后，输出肺炎X光影像的分类检测结果。2.根据权利要求1所述的一种基于卷积神经网络的肺炎X光影像分类检测方法，其特征在于，每一池化层的输出、每一全连接层的输出均连接有修正线性单元。3.根据权利要求2所述的一种基于卷积神经网络的肺炎X光影像分类检测方法，其特征在于，所述5组卷积层中，每层卷积层的个数为2、2、3、3、3，每组卷积层的卷积核个数分别为64、128、256、512、512，每个卷积层采用3
×
3的卷积核进行卷积，每个卷积层之后都有一个最大池化层maxpooling，并且池化框大小皆为2
×
2，步长stride设置为2。4.根据权利要求3所述的一种基于卷积神经网络的肺炎X光影像分类检测方法，其特征在于，所述通过肺炎X光影像数据集中的训练集，对所述卷积神经网络模型进行训练，获取所述训练好的卷积神经网络模型，之前还包括：利用OpenCV2库的resize函数将肺炎X光影像的大小从1024
×
1024调成为224
×
224。5.根据权利要求4所述的一种基于卷积神经网络的肺炎X光影像分类检测方法，其特征在于，所述5组卷积层具体为：输入肺炎X光影像尺寸为224
×
224
×
3，经过卷积核数目为64的第1组卷积层conv1、conv2之后，提取到的肺炎X光影像特征图的尺寸为224
×
224
×
64，接着将其通过最大池化层maxpooling1，肺炎X光影像特征图的最终输出尺寸为112
×
112
×
64；将maxpooling1的输出经过卷积核数目为128的第2组卷积层conv3、conv4之后，提取到的肺炎X光影像特征图的尺寸为112
×
112
...

【专利技术属性】
技术研发人员：殷波，祁艳杰，吴中鼎，葛亮，郭超，史忠震，
申请(专利权)人：贵州交通职业技术学院，
类型：发明
国别省市：