[发明专利]一种基于神经网络的胸部X光片识别检测系统和方法

权利要求书

1.一种基于神经网络的胸部X光片识别检测系统，其特征在于：包括身份验证模块、患者信息管理模块、检测模块、数据库模块，身份验证模块、患者信息管理模块、检测模块分别与数据库模块连接；

身份验证模块用于验证系统使用者的账户和密码，并开通与账户相应的权限；

患者信息管理模块用于增加、删除、编辑患者的信息；

检测模块用于搭建深度学习的神经网络模型，比较待测图像与数据库中的图像数据集，并判断待测图像是否为某种肺炎图像；

数据库模块用于存储使用者的身份信息、患者信息、肺炎病变图像数据，分别供身份验证模块、患者信息管理模块、检测模块调用。

2.根据权利要求1所述的一种基于神经网络的胸部X光片识别检测系统，其特征在于：深度学习的神经网络模型包括用于训练数据的数据生成器和用于验证数据的数据生成器，用于将加载的图像数据转换为训练数据并训练目标；

用于训练数据的数据生成器采用from keras.preprocessing定义；

用于验证数据的数据生成器采用image import ImageDataGenerator定义。

3.根据权利要求1所述的一种基于神经网络的胸部X光片识别检测系统，其特征在于：

神经网络模型为在VGG16模型中添加全连接层、在每个全连接层后进行批归一化得到的改进VGG16神经网络模型；

神经网络模型依次包括Functional层、Dropout层、Flatten层、Batch层、Dense层、Batch层、Activation层、Dropout层、Dense层、Batch层、Activation层、Dropout层、Dense层；

Functional层为VGG16模型；

Dropout用于在训练时按一定概率随机丢弃神经元以提高训练速度、防止过拟合；

Flatten在卷积层与全连接层之间，用于把卷积层输出的多维数据拍扁成一维数据并输入全连接层；

batch_normalization层用于通过批归一化保持训练数据和测试数据的分布相同；

Dense层为全连接层，其中每一个结点分别与上一层的所有结点相连，用于综合提取到的特征；

Activation层采用激活函数Relu使归零神经元的输出，用于稀疏网络、减少参数的相互依存关系，缓解过拟合。

4.根据权利要求1所述的一种基于神经网络的胸部X光片识别检测系统，其特征在于：图像数据集包括训练集和测试集，每个数据集分别包含正常图像和病变图像；从训练集中随机抽取20％的数据构成验证集。

5.一种基于权利要求1至4中任意一项所述的基于神经网络的胸部X光片识别检测系统的检测方法，其特征在于：包括以下步骤：

S1：搭建一种基于神经网络的胸部X光片识别检测系统，包括身份验证模块、患者信息管理模块、检测模块、数据库模块；身份验证模块、患者信息管理模块、检测模块分别与数据库模块连接；

S2：使用者登录系统；

S3：向系统输入患者的个人信息和患者胸部的X射线图像，系统判断患者是否患有肺炎疾病。

6.根据权利要求5所述的一种基于神经网络的胸部X光片识别检测方法，其特征在于：所述的步骤S1中，具体步骤为：

S11：在检测模块中搭建深度学习的神经网络模型；

S12：从数据库模块中读取肺部病变图像数据集训练神经网络模型，使神经网络模型根据患者胸部的X射线图像应用CNN深度学习方法检测患者是否患有肺炎疾病；

S13：在flask环境中构建基于web的检测系统，用于加载训练好的神经网络模型并实时检测图像。