【技术实现步骤摘要】
本专利技术属于疾病辅助诊断，具体涉及一种基于小样本特征增强的罕见病训练方法、诊断方法及系统。
技术介绍
1、人脸特征识别技术是一个广泛研究的热门问题，人脸识别最初在20世纪60年代已经有研究人员开始研究，真正进入初级的应用阶段是在90年代后期，发展至今其技术成熟度已经达到较高的程度。整个发展过程可以分为机械识别、半自动化识别、非接触式识别及互联网应用阶段。与其他生物识别方式相比，人脸识别优势在于自然性、不被察觉性等特点，目前人脸特征识别已经趋向于成熟。
2、据研究调查显示，70％以上的罕见病具有独特的面部特征，如noonan综合征的患者多眼距宽、前鼻短、鼻唇沟深而宽等的特殊面容，这个客观情况让利用面部特征进行罕见病筛查成为了可能。
3、传统的基于深度学习的特征提取方法是基于大量的训练图片的，但是在罕见病领域，患者少，可收集的图片少等情况让这种方法失准，因此结合小样本学习的方法已经成为了刻不容缓的趋势。
技术实现思路
1、本专利技术针对在罕见病领域，患者少，可收集的图片少等情况使得传统的基于深度学习的特征提取方法失准的技术问题，目的在于提供一种基于小样本特征增强的罕见病训练方法、诊断方法及系统。
2、为了解决前述技术问题，本专利技术的第一方面提供一种基于小样本特征增强的罕见病训练方法，包括：
3、采集正常人脸图像及罕见病人脸图像，构成数据集，根据患罕见病种类的不同，对所述数据集打上分类标签；
4、对所述数据集内的所有图像进行
5、将所述训练集送入预设的特征提取网络中，得到若干增强语义特征，将若干所述增强语义特征送入预设的全连接分类网络，得到若干增强语义分类向量，通过若干所述增强语义分类向量和所述分类标签确定多分类损失函数值，根据所述多分类损失函数值训练所述特征提取网络的参数和所述全连接分类网络的参数，在预设迭代次数内记录所述训练集分类准确度最大时的特征提取网络的参数和全连接分类网络的参数，作为目标参数；
6、去除所述全连接分类网络，将所述目标参数下所述训练集训练得到的若干所述增强语义特征的特征均值作为预设分类器的参数，将所述测试集输入所述分类器中，得到若干测试分类向量，将属于同一张图像的若干所述测试分类向量进行融合，得到测试结果。
7、可选地，在如前所述的基于小样本特征增强的罕见病训练方法中，所述根据患罕见病种类的不同，对所述数据集打上分类标签之前或之后，还包括对所述数据集进行如下至少一项预处理操作：
8、对所述数据集中的所有人脸图像进行裁剪操作至预设尺寸；
9、对所述数据集中的所有人脸图像进行二维人脸配准，通过构造人脸特征点位置，学习从人脸块到人脸特征点的映射关系；
10、利用三维人脸模型建立与二维人脸图像的映射关系，完善配准结果。
11、可选地，在如前所述的基于小样本特征增强的罕见病训练方法中，所述对所述数据集内的所有图像进行若干次旋转操作，致使所述数据集中每张图像生成对应的若干新的增强语义类，并修改各分类标签，得到扩充后的数据集，包括：
12、对所述数据集内的所有图像进行旋转操作，分别旋转0°、90°、180°、270°，致使所述数据集中每张图像生成对应的四张新的增强语义类，并修改各分类标签，得到扩充后的数据集。
13、可选地，在如前所述的基于小样本特征增强的罕见病训练方法中，所述将扩充后的所述数据集分成训练集和测试集，包括：
14、将所述数据集中每个种类的图像分成n份，其中k份作为训练集，n-k份作为测试集，n和k均为自然数；
15、若所述数据集为扩充后的数据集，则属于同一张图像旋转操作得到的增强语义类划分在同一训练集或测试集中。
16、可选地，在如前所述的基于小样本特征增强的罕见病训练方法中，所述特征提取网络的初始参数采用经过训练的深度卷积神经网络resnet50的预训练参数替代得到。
17、可选地，在如前所述的基于小样本特征增强的罕见病训练方法中，所述通过若干所述增强语义分类向量和所述分类标签确定多分类损失函数值，根据所述多分类损失函数值训练所述特征提取网络的参数和所述全连接分类网络的参数，包括：
18、将属于同一张图像旋转操作得到增强语义分类向量进行特征融合得到训练分类向量，特征融合方式为：
19、
20、其中，i表示所述数据集中的第i个图像，r表示第i个图像的第r次旋转操作，表示第i个图像的第r次旋转操作生成的增强语义类对应得到的增强语义分类向量，m表示旋转的次数；
21、通过所述训练分类向量和所述分类标签进行交叉熵计算，确定多分类损失函数值；
22、根据所述多分类损失函数值通过反向传播或随机梯度下降法的方式训练所述特征提取网络的参数和所述全连接分类网络的参数。
23、可选地，在如前所述的基于小样本特征增强的罕见病训练方法中，得到所述测试结果之后，还对所述测试结果采用交叉验证的方式进行验证；
24、通过所述测试结果确定测试精度，若所述测试精度低于预设精度阈值，则重新划分训练集和测试集后进行训练和测试。
25、为了解决前述技术问题，本专利技术的第二方面提供一种基于小样本特征增强的罕见病诊断方法，包括：
26、获取待诊断图像，将所述待诊断图像送入训练好的特征提取网络中提取人脸特征，将所述人脸特征送入分类器中，得到人脸分类向量，所述分类器是测试时所采用的分类器；
27、将所述人脸分类向量经过预设的归一化指数函数得到分类概率，并将分类概率最高的若干类别及对应概率值作为输出结果。
28、为了解决前述技术问题，本专利技术的第三方面提供一种基于小样本特征增强的罕见病诊断系统，包括：
29、前端，所述前端可获取输入图像，检测所述输入图像中是否存在人脸，若所述输入图像存在人脸，则将所述输入图像作为待诊断图像，将包含所述待诊断图像发送给建立交互的后端，若所述输入图像不存在人脸，则进行提示，所述前端还获取所述后端反馈的输出结果并进行展示；
30、后端，所述后端接收所述前端发送的所述待诊断图像，所述后端包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行本专利技术基于小样本特征增强的罕见病诊断方法的步骤，所述后端得到输出结果并将输出结果反馈给前端。
31、可选地，在如前所述的基于小样本特征增强的罕见病诊断系统中，所述后端搭建基于flask框架的python web项目，采用nginx反向代理，同时借助uwsgi server负责处理nginx转发的动态请求，进行与所述前端的交互。
32、可选地，在如前所述的基于小样本特征增强的罕见病诊断系统中，所述前端本文档来自技高网...
【技术保护点】
1.一种基于小样本特征增强的罕见病训练方法，其特征在于，包括：
2.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述根据患罕见病种类的不同，对所述数据集打上分类标签之前或之后，还包括对所述数据集进行如下至少一项预处理操作：
3.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述对所述数据集内的所有图像进行若干次旋转操作，致使所述数据集中每张图像生成对应的若干新的增强语义类，并修改各分类标签，得到扩充后的数据集，包括：
4.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述特征提取网络的初始参数采用经过训练的深度卷积神经网络ResNet50的预训练参数替代得到。
5.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述通过若干所述增强语义分类向量和所述分类标签确定多分类损失函数值，根据所述多分类损失函数值训练所述特征提取网络的参数和所述全连接分类网络的参数，包括：
6.如权利要求1至5中任意一项所述的基于小样本特征增强的罕见病训练方法，其特征在
7.一种基于小样本特征增强的罕见病诊断方法，其特征在于，包括：
8.一种基于小样本特征增强的罕见病诊断系统，其特征在于，包括：
9.如权利要求8所述的基于小样本特征增强的罕见病诊断系统，其特征在于，所述后端搭建基于Flask框架的Python Web项目，采用Nginx反向代理，同时借助uWSGIserver负责处理Nginx转发的动态请求，进行与所述前端的交互。
10.如权利要求8或9所述的基于小样本特征增强的罕见病诊断系统，其特征在于，所述前端采用预设的dlib人脸识别算法中的基于HOG特征的级联分类器来检测所述输入图像中是否存在人脸；
...【技术特征摘要】
1.一种基于小样本特征增强的罕见病训练方法，其特征在于，包括：
2.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述根据患罕见病种类的不同，对所述数据集打上分类标签之前或之后，还包括对所述数据集进行如下至少一项预处理操作：
3.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述对所述数据集内的所有图像进行若干次旋转操作，致使所述数据集中每张图像生成对应的若干新的增强语义类，并修改各分类标签，得到扩充后的数据集，包括：
4.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述特征提取网络的初始参数采用经过训练的深度卷积神经网络resnet50的预训练参数替代得到。
5.如权利要求1所述的基于小样本特征增强的罕见病训练方法，其特征在于，所述通过若干所述增强语义分类向量和所述分类标签确定多分类损失函数值，根据所述多分类...
【专利技术属性】
技术研发人员：李辛，王秀敏，马利庄，院旺，郁婷婷，冯碧云，李智颖，
申请(专利权)人：上海交通大学医学院附属上海儿童医学中心，
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。