[发明专利]职业性尘肺病辅助筛查智能模型

说明书

本发明实施例涉及职业性尘肺病辅助筛查智能模型，所述职业性尘肺病辅助筛查智能模型包括多个模型单元，所述模型单元包括残差部分和压缩激活部分，其中：所述残差部分包括预设数量的平行的卷积网络通道、拼接单元以及相加单元；所述压缩激活部分包括依次相连的平均池化单元、第一全连接层单元、线性处理单元、第二全连接层单元、非线性处理单元以及结果整合单元。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，特别涉及职业性尘肺病辅助筛查智能模型。

背景技术

尘肺病体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职业性尘肺病辅助筛查智能模型，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，本申请提供职业性尘肺病辅助筛查智能模型，所述职业性尘肺病辅助筛查智能模型包括多个模型单元，所述模型单元包括残差部分和压缩激活部分，其中：

所述残差部分包括预设数量的平行的卷积网络通道、拼接单元以及相加单元，其中，影像图片输入所述预设数量的平行的卷积网络通道后，各个所述卷积网络通道的结果通过所述拼接单元拼接在一起，所述拼接单元的输出结果与所述影像图片通过所述相加单元相加后，得到残差结果；

所述压缩激活部分包括依次相连的平均池化单元、第一全连接层单元、线性处理单元、第二全连接层单元、非线性处理单元以及结果整合单元，其中，所述平均池化单元用于接收所述残差结果，所述非线性处理单元用于输出所述压缩激活部分的结果，所述结果整合单元用于将所述压缩激活部分的结果和所述残差结果进行相加，得到尘肺病的特征。

进一步地，所述预设数量为32，并且所述卷积网络通道具备通道属性，所述通道属性包括输入数据的通道数量、卷积核尺寸以及输出数据的通道数量。

进一步地，所述输入数据的通道数量和所述残差结果的通道数量均为256。

进一步地，所述平均池化单元将所述残差结果的宽和高的尺寸均化为1后，将均化结果输入所述第一全连接层，以通过所述第一全连接层按照预设缩放参数缩放所述残差结果的通道数量。

进一步地，所述预设缩放参数为16，相应地，缩放后的通道数量为16。

进一步地，所述模型还包括最终全连接层和softmax层，所述最终全连接层用于接收所述结果整合单元输出的尘肺病的特征，所述softmax层用于根据所述最终全连接层的输出结果计算所述影像图片对应的尘肺病患病概率。

进一步地，所述模型还包括数据处理单元，所述数据处理单元用于对输入的影像图片进行直方图均衡处理，并且按照系统输入要求，调整所述输入的影像图片的尺寸。

进一步地，所述模型还包括迁移学习单元，所述迁移学习单元用于预先对所述职业性尘肺病辅助筛查智能模型进行迁移学习，以对所述职业性尘肺病辅助筛查智能模型的特征进行初始化；其中，迁移学习的数据集包括：ImageNet或者Chest X-ray 14。

进一步地，所述职业性尘肺病辅助筛查智能模型先通过ImageNet数据集的训练，获得符合预期的结果后，再在Chest X-ray 14数据集上进行训练，以获得良好的医疗胸片特征。

进一步地，所述模型还包括数据增强单元，所述数据增强单元用于预先对输入所述职业性尘肺病辅助筛查智能模型的数据进行数据增强处理，并将数据增强处理后的数据及其标签输入迁移学习后的职业性尘肺病辅助筛查智能模型进行训练；其中，训练时，使用Adam优化算法对所述职业性尘肺病辅助筛查智能模型的收敛进行优化。