[发明专利]一种基于小样本深度学习的肋骨骨折图像检测方法

权利要求书

1.一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：包括如下步骤：

步骤一、对收集到的肋骨骨折CT图像进行标注；

步骤二、采用YOLOv3模型进行特征提取；

步骤三、将提取的特征向量进行迁移学习；

步骤四、进行深度学习训练。

2.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：所述YOLOv3模型的连接层为1。

3.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：所述YOLOv3模型没有池化层和全连接层，前向传播过程中，通过改变卷积核的步长来实现张量的尺寸变换。

4.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：所述YOLOv3模型将输出特征图缩小到输入的1/32，通过连续(1x1，3x3)卷积，增大步长来实现对CT图像特征的提取。

5.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：所述YOLOv3模型使用步长为2的卷积来进行降采样。

6.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：所述YOLOv3模型采用浅层次特征和深层次特征的融合进行特征提取。

7.根据权利要求6所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：所述YOLOv3模型采用FPN的upsample和融合方法，最终融合了三个scale，其他两个scale的大小分别是26×26和52×52。

8.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：步骤三所述进行迁移学习的过程如下：

(1)去掉pre-trained neural network的最后一个全连接层；

(2)新增加符合新数据集类别个数的全连接层；

(3)保持其他预训练层的权值不动，只随机初始化新增加层的权值；

(4)使用新数据集来训练新的全连接层。

9.根据权利要求8所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：在进行迁移学习时，利用Adam方法进行评估参数的微调，通过持续的反向传播来微调预训练层的权重；其中单个权重的更新规则是将其梯度与当前和过去梯度的L^2范数成反比例缩放。

10.根据权利要求1所述的一种基于小样本深度学习的肋骨骨折图像检测方法，其特征在于：步骤四所述进行深度学习训练的实验软件环境为Win10操作系统，采用YOLOv3模型作为深度学习开源构架，编程工具采用Python，后台服务采用TensorFlow构架，实验平台内存为8GB、GPU显卡。