[发明专利]基于深度学习的X光片智能诊断方法

权利要求书

1.基于深度学习的X光片智能诊断方法，其特征在于，包括如下步骤：

获取步骤：获取预设存储器中存储的胸部X光片的影像数据；

增广步骤：将所述胸部X光片的影像数据以预设方式进行增广；

处理步骤：将增广后的影像数据进行预处理操作，以使数据特征符合标准；

分类步骤：将预处理后的影像数据进行分类形成若干个分类模型，并分别对每一个分类模型设计模型训练以生成模型训练预测结果；

生成步骤：获取最终的CNN特征图，并根据CNN特征图生成热力图；

集成步骤：根据每一个分类模型的模型训练预测结果计算得到集成结果。

2.如权利要求1所述的X光片智能诊断方法，其特征在于，还包括部署步骤：将进行模型训练后的分类模型部署至服务器端，并构建REST API服务器。

3.如权利要求1所述的X光片智能诊断方法，其特征在于，增广步骤中的预设方式包括将影像数据随机水平反转、随机左右平移、随机上下平移、随机缩放。

4.如权利要求3所述的X光片智能诊断方法，其特征在于，处理步骤具体包括如下子步骤：

获取增广后的影像数据；

将所述影像数据进行归一化处理；

统一所述影像数据的图像形状；

将所述影像数据进行标准化处理；

随机打乱所述影像数据。

5.如权利要求4所述的X光片智能诊断方法，其特征在于，所述分类模型至少包括DenseNet121模型、DenseNet169模型、DenseNet201模型、ResNet50模型、InceptinV3模型、InceptinResNetV2模型、NASNetMobile模型。

6.如权利要求4所述的X光智能诊断方法，其特征在于，在分类步骤中，“分别对每一个分类模型设计模型训练”具体包括如下步骤：

输入任意一个预处理后的影像数据；

分别对每一个分类模型对应调节参数，使每一个分类模型均使用Focal Loss损失函数，所述参数至少包括批尺寸、学习率；

设计每一个分类模型的Adam优化器；

设计每一个分类模型的学习速率定时器回调函数；

设计每一个分类模型保存回调函数；

设计每一个分类模型在模型训练过程中的可视化回调函数；

设计记录每一个分类模型AUC并保存最高AUC模板的回调函数；

设计记录训练数据结构数据流的回调函数。

7.如权利要求3所述的X光片智能诊断方法，其特征在于，所述生成步骤具体包括如下步骤：

获取最终的CNN特征图；

根据CNN特征图获取每一个分类模型的分类层权重；

生成预处理后的影像数据的色彩映射图像；

生成热力图。

8.如权利要求7所述的X光片智能诊断方法，其特征在于，集成步骤具体包括如下步骤：

获取每一个分类模型的模型训练预测结果；

将所有模型训练预测结果做加权平均处理以得到集成结果并进行输出。