[发明专利]基于迁移学习的X射线影像处理方法及系统

权利要求书

1.基于迁移学习的X射线影像处理方法，其特征在于，所述方法包括：

S1、构建VGG-16卷积神经网络；

S2、基于X射线影像分类结果数量，放弃所述VGG-16卷积神经网络中的全连接层，并对训练参数进行优化，得到特定的全连接层，并获得完整模型；

S3、对所述完整模型进行优化，得到优化模型；

S4、利用所述优化模型，对X射线影像进行分类；

所述S2进一步包括：

S21、将所述VGG-16卷积神经网络去掉全连接层后，使用特征提取层对测试集和训练集图片进行特征提取并保存；

S22、构建X射线影像分类器，并载入S21中保存的所述特征，对参数进行训练和优化，得到特定的全连接层；

S23、将所述特征提取层与所述特定的全连接层进行搭建，形成完整模型；

所述S3进一步包括：

S31、针对所述完整模型，冻结卷积层的前M层及全连接层的权重；

S32、使用训练数据集对未冻结的卷积层进行Fine-tune，并进行参数优化；

S33、选择最优参数保存，得到优化模型；

所述S32中进一步包括，利用SGD方法进行参数优化，且每次更新仅适用一个batch的数据；

所述优化模型中，损失函数为：

其中，n为样本个数，ε为权重因子，Z为输出[z₁,z₂,z₃……]。

2.根据权利要求1所述的方法，其特征在于，所述S4之前，还包括以下步骤：

S4’、对所述优化模型进行类激活图可视化处理；所述S4’进一步包括：

S4’1、在X射线影像上运行所述优化模型，并将其预测的向量解码为人工可读格式；

S4’2、生成热力图，并将所述热力图进行标准化，得到可视化图；

S4’3、基于所述可视化图生成图像，并将原始X射线影像图像叠加在可视化图生成的图像上，得到叠加热力图。

3.根据权利要求2所述的方法，其特征在于，所述S4’2中，得到可视化图通过以下方式进行：

对于输入的X射线影像，对于一个卷积层的输出特征图，用类别相对于每一个通道的梯度对所述输出特征图中的每个通道进行加权。

4.基于迁移学习的X射线影像处理系统，其特征在于，所述系统包括：

X射线影像接收模块，用于接收输入的X射线影像数据；

X射线影像处理模块，利用优化模型，对所述X射线影像进行处理，并进行分类；所述优化模型通过以下方式获得：

建立VGG-16卷积神经网络，并基于X射线影像分类结果数量，放弃所述VGG-16卷积神经网络中的全连接层，并对训练参数进行优化，得到特定全连接层，并获得完整模型；对所述完整模型进行优化，得到优化模型；

输出模块，接收所述X射线影像处理模块的输出数据，并输出分类结果；

类激活图可视化处理模块，与所述X射线影像处理模块、输出模块连接，用于对所述优化模型进行类激活图可视化处理，并生成叠加热力图数据；

所述输出模块接收所述叠加热力图数据，并输出叠加热力图。

5.根据权利要求4所述的系统，其特征在于，所述优化模型中，损失函数为：

其中，n为样本个数，ε为权重因子，Z为输出[z₁,z₂,z₃……]。