[发明专利]一种尘肺病筛查系统及其数据训练方法

说明书

本发明实施例涉及一种尘肺病筛查系统及其数据训练方法，其中，所述系统包括报告模型，所述报告模型包括深度卷积模型、过渡层、循环神经网络、基于注意力的文本嵌入函数、显著性加权全局平均池函数以及全连接层。本申请提供的技术方案，能够自动对胸片进行识别，从而提高识别效率和精度。

技术领域

本申请涉及数据处理技术领域，特别涉及一种尘肺病筛查系统及其数据训练方法。

背景技术

尘肺病检筛查目前主要的途径就是通过医生对照标准尘肺病诊断胸片来对病人的胸片进行阅片、分级、诊断，不过医生每天工作量最多不会超过200张胸片；长时间的阅片会导致医生疲劳，准确度下降；而且，很多基层医生水平不高，没有诊断尘肺病资质，容易出现漏诊、误诊的情况。

发明内容

本申请的目的在于提供一种尘肺病筛查系统及其数据训练方法，能够自动对胸片进行识别，从而提高识别效率和精度。

为实现上述目的，本申请提供一种尘肺病筛查系统，所述系统包括报告模型，所述报告模型包括深度卷积模型、过渡层、循环神经网络、基于注意力的文本嵌入函数、显著性加权全局平均池函数以及全连接层，其中：

所述深度卷积模型用于接收输入的影像数据，并将所述影像数据的处理结果发送至所述过渡层；

所述过渡层用于提取所述影像数据的处理结果中的特征信息；

所述循环神经网络用于接收所述过渡层发送来的所述特征信息和影像报告中的文字，并对所述特征信息和所述文字进行处理；

所述基于注意力的文本嵌入函数用于接收所述循环神经网络的处理结果，并根据所述处理结果生成筛查报告；

所述显著性加权全局平均池函数用于对所述过渡层的输出结果进行处理；

所述全连接层用于接收所述基于注意力的文本嵌入函数和所述显著性加权全局平均池函数各自的输出结果，并根据所述各自的输出结果生成诊断结论。

进一步地，所述系统还包括定位模块，所述定位模块中包括知识保留模块和注意力挖掘模块，所述知识保留模块中包括多尺寸聚合模块，其中：

所述多尺寸聚合模块使用ResNext-50(残差模型)作为基础模型骨架，并加入MSA(Multi-Sized Aggregation)多尺寸聚合部分，以提高所述定位模型在小尺寸病灶的表现；

所述知识保留模块用于防止训练数据的过拟合，在训练过程中，提供给所述知识保留模块中的多尺寸聚合模块的训练数据为全部训练数据中的一部分；

所述定位模块用于接收胸片数据，并将所述胸片数据传输给所述知识保留模块，所述知识保留模块输出的特征图进入所述注意力挖掘模块，以通过模型优化损失函数生成病灶点定位图。

为实现上述目的，本申请还提供一种数据训练方法，所述方法包括：

收集预设数量的胸片，所述预设数量的胸片中包括合格的胸片和不合格的胸片；

将所述预设数量的胸片输入所述尘肺病筛查系统进行训练，以使得所述尘肺病筛查系统作为数据过滤器，对后续输入的胸片进行过滤；

对经过所述尘肺病筛查系统过滤后的合格胸片进行多次数据标注，以使得所述合格胸片具备真实标签和多个标注者的判断标签；

基于所述真实标签和所述多个标注者的判断标签，通过期望最大化算法得到所述合格胸片对应的标注结果，所述标准结果中包括图像难度和标注者准确度；

利用具备标注结果的合格胸片对所述尘肺病筛查系统进行训练。

进一步地，所述方法还包括：