【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 ...
【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:
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。