[发明专利]基于轻量级模型的新冠肺炎X射线图像分类方法及系统有效
申请号: | 202010991924.8 | 申请日: | 2020-09-21 |
公开(公告)号: | CN111931867B | 公开(公告)日: | 2020-12-18 |
发明(设计)人: | 王威;胡亿洋;王新;李骥 | 申请(专利权)人: | 长沙理工大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06T3/40;G06T7/00 |
代理公司: | 长沙国科天河知识产权代理有限公司 43225 | 代理人: | 邱轶 |
地址: | 410000 湖南省*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 轻量级 模型 肺炎 射线 图像 分类 方法 系统 | ||
1.一种基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,包括:
获取若干带标识的X-Ray图像;若干所述X-Ray图像中包括含COVID-19放射学特征的图像、含普通肺炎放射学特征的图像和正常图像;
对X-Ray图像进行预处理,并将预处理后的X-Ray图像划分为训练集和测试集;
利用训练集对预先构建的图像分类模型进行训练,利用测试集对训练后的图像分类模型进行测试;所述图像分类模型依次包括多个串联的多路径多尺度特征融合模块、过渡模块和多个串联的深度可分离卷积密集块;所述多路径多尺度特征融合模块用于提取特征图中不同尺度的特征,并将不同尺度的特征进行融合,获得融合特征图;所述过渡模块用于将多路径多尺度特征融合模块输出的特征图输入至多个串联的深度可分离卷积密集块中;所述深度可分离卷积密集块用于对特征图中的特征依次进行空间关联和通道关联,并将关联后的特征图与所述深度可分离卷积密集块的输入特征图进行通道拼接,获得深度特征图;
利用测试后的图像分类模型对待识别的X-Ray图像进行分类,获得X-Ray图像的类别。
2.如权利要求1所述的基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,所述图像分类模型依次包括:
输入层,用于对输入的X-Ray图像进行初步特征提取,所述输入层包括1个标准空洞卷积层;
特征提取子网络,用于对特征图进行特征提取和特征关联获得深度特征图,所述特征提取子网络依次包括多个串联的多路径多尺度特征融合模块、过渡模块和多个串联的深度可分离卷积密集块;
输出层,用于利用深度特征图进行图像分类,所述输出层依次包括全局平均池化层、全连接层、丢弃层和Softmax分类器。
3.如权利要求2所述的基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,所述特征提取子网络依次包括5个串联的多路径多尺度特征融合模块、过渡模块和9个串联的深度可分离卷积密集块。
4.如权利要求1~3任一项所述的基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,所述多路径多尺度特征融合模块依次包括切分层、多条并行的支路以及融合层,每条所述支路包括多个不同尺寸的卷积层;
所述切分层用于对输入的特征图进行均等切分,并将切分后的特征图分别输入多条支路中;支路的数量与切分后特征图数量一致;
所述多条并行的支路用于提取特征图中不同尺度的特征;
所述融合层用于将不同尺度的特征进行融合,获得融合特征图。
5.如权利要求4所述的基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,所述多路径多尺度特征融合模块包括两条支路;
一条支路依次包括1×1的逐点卷积层、3×3的空洞深度卷积层和1×1的逐点卷积层;
另一条支路依次包括1×1的逐点卷积层、3×3的深度卷积层和1×1的逐点卷积层;
两条支路中的第一个逐点卷积层均用于对输入的特征图进行升维处理,第二个逐点卷积层均用于对特征图中的特征进行通道关联;
所述空洞深度卷积层和深度卷积层分别用于对特征图进行不同尺度的特征提取。
6.如权利要求1~3任一项所述的基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,所述深度可分离卷积密集块包括多个不同尺寸的卷积层,第一个卷积层的输入端与最后一个卷积层的输出端进行密集连接。
7.如权利要求6所述的基于轻量级模型的新冠肺炎X射线图像分类方法,其特征在于,所述深度可分离卷积密集块依次包括3×3的深度卷积层、1×1的逐点卷积层和通道拼接层;
所述深度卷积层用于对特征图中的特征进行空间的关联;
所述逐点卷积层用于对特征图中的特征进行通道的关联;
所述通道拼接层用于将输入深度可分离卷积密集块的特征图与深度可分离卷积密集块中逐点卷积层输出的特征图进行通道拼接,获得深度特征图。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于长沙理工大学,未经长沙理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010991924.8/1.html,转载请声明来源钻瓜专利网。