[发明专利]基于深度学习和红外热像的睡眠障碍辅助诊断方法

权利要求书

1.基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：包括以下步骤：

步骤1，将训练用红外热像图进行预处理后，识别出红外热像图中的头部区域，并对头部区域的温度数据进行归一化后分别送入异常区域分割模型和睡眠障碍分类模型进行神经网络的训练，得到训练好的异常区域分割模型和睡眠障碍分类模型；

步骤2，将实际患者红外热像图进行数据预处理后，识别出实际患者红外热像图中人体的头部区域，并对该区域的温度数据进行归一化后分别送入训练好的异常区域分割模型和睡眠障碍分类模型进行测试，获得分割结果和分类结果，将这些结果生成结果报告辅助医生进行分析。

2.根据权利要求1所述的基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：所述步骤1的具体步骤如下：

步骤1.1、对训练用红外热像图进行预处理，得到预处理图像。

步骤1.2、对预处理图像采用Faster-RCNN网络进行头部区域识别，得到头部区域图像；

步骤1.3、头部区域图像的温度数据归一化，得到归一化的温度数据；

步骤1.4、利用归一化的温度数据对睡眠障碍分类模型进行训练来更新参数；得到训练好的睡眠障碍分类模型；

步骤1.5、利用归一化的温度数据对异常区域分割模型进行训练来更新参数；得到训练好的异常区域分割模型；

步骤1.6、保存训练好的睡眠障碍分类模型和异常区域分割模型。

3.根据权利要求2所述的基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：所述步骤2的具体步骤如下：

步骤2.1、对实际患者图像进行预处理，得到预处理图像；

步骤2.2、对预处理图像采用Faster-RCNN网络进行头部区域识别，得到头部区域图像；

步骤2.3、头部区域图像的温度数据归一化，得到归一化的温度数据；

步骤2.4、将归一化后的温度数据送入训练好的睡眠障碍分类模型，得到分类结果；

步骤2.5、将归一化后的温度数据送入训练好的异常区域分割模型，得到分割结果；

步骤2.6、根据分类结果和分割结果得到结果报告。

4.根据权利要求3所述的基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：

睡眠障碍分类模型包括4层卷积层以及2层全连接层，个卷积层后面先接BatchNorm层，再进行激活函数的非线性激活，损失函数为交叉熵，学习率为1e-5,优化策略为Adam梯度下降法，批大小为64。

5.根据权利要求4所述的基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：

异常区域分割模型使用FCN网络，激活函数为Relu,损失函数为像素级的交叉熵，学习率为2e-5,优化策略为momentum梯度下降法，批大小为16。

6.根据权利要求5所述的基于深度学习和红外热像的睡眠障碍辅助诊断方法，其特征在于：

睡眠障碍分类模型的具体结构为：

第1层输入层，输出尺寸32x32x1；第2层卷积层，输出尺寸32x32x32，卷积核尺寸3x3，卷积核数量32，步长1；第3层池化层，输出尺寸16x16x32，卷积核尺寸2x2，步长2；第4层卷积层，输出尺寸16x16x64，卷积核尺寸3x3，卷积核数量64，步长1；第5层池化层，输出尺寸8x8x64，卷积核尺寸2x2，步长2；第6层卷积层，输出尺寸8x8x128，卷积核尺寸3x3，卷积核数量128，步长1；第7层池化层，输出尺寸4x4x128，卷积核尺寸2x2，步长2；第8层卷积层，输出尺寸4x4x256，卷积核尺寸3x3，卷积核数量256，步长1；第9层池化层，输出尺寸2x2x256，卷积核尺寸2x2，步长2；第10层全连接层，输出尺寸1x1x1024；第11层全连接层，输出尺寸1x1x2。