一种基于深度卷积神经网络的隐球菌图像识别方法技术

本发明专利技术公开了一种基于深度卷积神经网络的隐球菌图像识别方法，包括：针对隐球菌图像构建基于YOLOv5的Input‑Backbone‑Neck‑Head‑Output的深度卷积神经网络基准模型；设计可变形卷积神经网络框架与空间金字塔池化特征方法对图像特征进行多尺度池化操作；通过特征金字塔网络与像素聚集网络传递多尺度深层与浅层特征，设计文本增强架构实现多尺度特征自适应融合；设计动态头提取隐球菌动态特征；设计模型失真度驱动的剪枝技术进行轻量化设计；输出隐球菌图像识别结果。本发明专利技术通过多尺度特征提取与融合网络架构显著地提高了特征提取精度与能力，并设计网络剪枝技术与动态头提高预测速度与适应性，针对隐球菌图像特征所呈现的多尺度形态与边界特征的识别精度高、识别效率高。

【技术实现步骤摘要】

本专利技术涉及人工智能通用技术与医学图像检测领域，更具体地，涉及一种基于深度卷积神经网络的隐球菌图像识别方法。

技术介绍

1、隐球菌可通过呼吸道、消化道或者皮肤进入人体，导致隐球菌病，可导致肺炎、脑膜炎，头痛等症状表现，严重威胁生命健康。为此，如何快速识别患者脑脊液中隐球菌并及时给出有效诊断方案是降低隐球菌病出现严重感染性脑膜炎的关键手段。然而，隐球菌形态在大小尺度上存在较大差异，现有通过肉眼进行显微观察识别隐球菌的医学检测手段存在检测效率低下，误检率高等特点，导致无法准确给出正确诊断方案，无法满足临床医学需求。

2、事实上，人工智能技术如卷积神经网络由于可主动提取海量图像信息中关键特征信息来对复杂图像进行准确识别而受到了广泛的关注，为此，可通过构建现有隐球菌以及类似菌类数据库，以特定正负样本比例训练卷积神经网络模型，使得模型能够准确识别隐球菌。

3、然而，传统的神经网络模型并未针对隐球菌大小形态差异设计识别模型，以及现有模型无法针对临床上隐球菌动态特性提供适应性识别，进一步地，现有研究并未针对神经网络模型预测速度与医学设备性能参数本文档来自技高网...

【技术保护点】

1.一种基于深度卷积神经网络的隐球菌图像识别方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，在YOLOv5框架上，针对隐球菌图像构建Input-Backbone-Neck-Head-Output的深度卷积神经网络基础模型，具体步骤如下：

3.如权利要求1所述的方法，其特征在于，在Backbone架构中，设计可变形卷积神经网络框架获得针对隐球菌图像数据中的多尺度特征图，具体步骤如下：

4.如权利要求1所述方法，采用空间金字塔池化特征方法对多尺度特征图进行多尺度池化操作，以提取不同尺度特征信息，具体步骤如下：</p>

5.如权...

【技术特征摘要】

1.一种基于深度卷积神经网络的隐球菌图像识别方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，在yolov5框架上，针对隐球菌图像构建input-backbone-neck-head-output的深度卷积神经网络基础模型，具体步骤如下：

3.如权利要求1所述的方法，其特征在于，在backbone架构中，设计可变形卷积神经网络框架获得针对隐球菌图像数据中的多尺度特征图，具体步骤如下：

4.如权利要求1所述方法，采用空间金字塔池化特征方法对多尺度特征图进行多尺度池化操作，以提取不同尺度特征信息，具体步骤如下：

5.如权利要求1所述的方法，其特征在于，在neck架构中，通过特征金字塔网络自上而下传递...

【专利技术属性】
技术研发人员：陈艳慧，杨赞，胡龙华，盛天乐，钟桥石，杭亚平，
申请(专利权)人：南昌大学第二附属医院，
类型：发明
国别省市：