[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

说明书

本发明公开一种基于轻量级模型的新冠肺炎X射线图像分类方法及系统，该方法构建了包括多路径多尺度特征融合模块和深度可分离卷积密集块的图像分类模型，多路径多尺度特征融合模块中多路径所获得的感受野不同，可有效提高特征利用率，增强模型的表征能力，并有效防止过拟合；深度可分离卷积密集块对特征图中的特征进行空间和通道的关联，并将关联后的特征图与所述输入的特征图进行通道拼接，实现特征重用，提升模型表征能力，有效解决梯度消失带来的模型欠拟合问题。本发明提供的图像分类模型为轻量级模型，可应用于存储空间与计算能力有限的移动设备或嵌入式设备，且对X‑Ray图像的分类速度快、准确率高。

技术领域

本发明涉及医学X-Ray图像分类技术领域，尤其是一种基于轻量级模型的新冠肺炎X射线图像分类方法及系统。

背景技术

COVID-19为新型冠状病毒肺炎，简称新冠肺炎。COVID-19包含一些可以被胸部X射线（X-Ray）检测到的放射学特征，因此可通过对X-Ray图像进行识别筛选出含COVID-19放射学特征的X-Ray图像。但是现有技术中还没有一种适用于存储空间与计算能力有限的移动设备或嵌入式设备的高效、高性能的X-Ray图像分类方法，以便随时随地使用。

发明内容

本发明提供一种基于轻量级模型的新冠肺炎X射线图像分类方法及系统，用于克服现有技术中不能在适用于存储空间与计算能力有限的移动设备或嵌入式设备的同时兼具高效、高性能等缺陷。

为实现上述目的，本发明提出一种基于轻量级模型的新冠肺炎X射线图像分类方法，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；所述图像分类模型包括多个串联的多路径多尺度特征融合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；所述深度可分离卷积密集块用于对特征图中的特征进行空间和通道的关联，并将关联后的特征图与所述输入的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。

为实现上述目的，本发明还提出一种基于轻量级模型的新冠肺炎X射线图像分类系统，包括：

图像获取模块，用于获取若干带标识的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；

图像处理模块，用于对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；

模型训练模块，用于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；所述图像分类模型包括多个串联的多路径多尺度特征融合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；所述深度可分离卷积密集块用于对特征图中的特征进行空间和通道的关联，并将关联后的特征图与所述输入的特征图进行通道拼接，获得深度特征图；

图像分类模块，用于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。

为实现上述目的，本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。