[发明专利]基于多任务学习的肺胀病证识别方法

说明书

本发明公开了一种基于多任务学习的肺胀病证识别方法，包括：采集数个肺胀病患者、肺胀病治愈者和正常人的肺部图像，分别对采集的肺部图像进行高斯滤波处理，并对肺胀病患者和肺胀病治愈者的肺部图像进行标记；将所述肺部图像随机划分为训练集和验证集；构建联合属性的残差神经网络ResNet；将训练集中带有标记的肺部图像和正常人的肺部图输入至残差神经网络ResNet中，并结合属性损失函数求得训练后的残差神经网络ResNet；将验证集的肺部图像输入至训练后的残差神经网络ResNet，并进行参数优化调整，得到最优的残差神经网络ResNet；采集患者的肺部图像，并输入至最优的残差神经网络ResNet，以识别是否为肺胀病证患者。

技术领域

本发明涉及肺胀病证识别技术领域，尤其是基于多任务学习的肺胀病证识别方法。

背景技术

肺胀是指多种慢性肺系疾患反复发作，迁延不愈，肺脾肾三脏虚损，从而导致肺气胀满，不能敛降的一类病证。肺胀的发生多因先天禀赋不足或喘息、久咳、慢性肺系疾病所引起。肺胀是内科常见病、多发病。根据肺胀的临床表现，当西医学中慢性阻塞性肺气肿、慢性肺源性心脏病、老年性肺气肿出现肺胀的临床表现时，可参考肺胀进行辨证论治。目前，现有技术中的肺胀病证识别采用图像+医务人员经验判断的方式，其辨识效率低，且与医务人员的经验直接相关。

因此，急需要提出一种逻辑简单、辨识可靠的基于多任务学习的肺胀病证识别方法。

发明内容

针对上述问题，本发明的目的在于提供基于多任务学习的肺胀病证识别方法，本发明采用的技术方案如下：

基于多任务学习的肺胀病证识别方法，包括以下步骤：

采集数个肺胀病患者、肺胀病治愈者和正常人的肺部图像，分别对采集的肺部图像进行高斯滤波处理，并对肺胀病患者和肺胀病治愈者的肺部图像进行标记；将所述肺部图像随机划分为训练集和验证集；

构建联合属性的残差神经网络ResNet；

将训练集中带有标记的肺部图像和正常人的肺部图输入至残差神经网络ResNet中，并结合属性损失函数求得训练后的残差神经网络ResNet；

将验证集的肺部图像输入至训练后的残差神经网络ResNet，并进行参数优化调整，得到最优的残差神经网络ResNet；

采集患者的肺部图像，并输入至最优的残差神经网络ResNet，以识别是否为肺胀病证患者。

进一步地，对所述肺部图像进行旋转以增强特征。

进一步地，所述属性损失函数的表达式为：

其中，y_i表示第i张图像的附加属性；y_j表示第i张图像的附加属性；G表示训练的矩阵参数；g_i表示在残差网络中第i张图像学习到的特征映射；g_j表示在残差神经网络ResNet中第i张图像学习学习到的特征映射。

进一步地，所述附加属性包括年龄、性别、种族。

进一步地，所述残差神经网络ResNet包括主干支路和旁路分支；所述主干支路包括从前至后依次连接并封装的卷积层、批化一化层、加权残缺模块、压平层、随机失活层和全连接层；所述旁路分支包括包括从前至后依次连接并封装的卷积层、批归一化层、卷积层、批归一化层、激活层和全连接层；所述主干支路的全连接层的输出与旁路分支的全连接层的输出soft voting算法进行集成，并得到最终的输出。

更进一步地，所述加权残缺模块包括由从前至后依次连接并封装的卷积层、批化一化层、随机失活层和全连接层组成。

更进一步地，所述主干支路和旁路分支的输出通道相同。

更进一步地，所述随机失活层的失活率为0.5。