[发明专利]一种基于卷积神经网络算法的人工智能阅片方法

权利要求书

1.一种基于卷积神经网络算法的人工智能阅片方法，其特征在于，包括如下步骤：

步骤一：获取待检测目标图像；

步骤二：图像区域选择；

步骤三：目标特征提取；

步骤四：根据特征进行目标分类；

步骤五：对目标边界框回归；

步骤六：结构优化；

步骤七：完成目标检测。

2.根据权利要求1所述的一种基于卷积神经网络算法的人工智能阅片方法，其特征在于：本发明算法的实现主要依靠nanoDet的模型，nanoDet包含特征提取主干网络、特征融合网络、检测头三个部分。

3.根据权利要求2所述的一种基于卷积神经网络算法的人工智能阅片方法，其特征在于：在神经网络中，尤其是CV(computervision)领域中，一般先对图像进行特征提取，这一部分是整个CV任务的根基，所以将这部分网络结构称为backbone；nanoDet选择ShuffleNetV21.0x作为backbone。ShuffleNetV21.0x是ShuffleNetV1的改进版本，改进过程遵循以下4条指导原则：

(1)输入输出同等通道大小可以最小化MAC(Memory access cost)，此时模型速度最快；

(2)过量使用组卷积(group convolution)会增大MAC，模型速度变慢；

(3)模型分支数量越少，模型越简单，速度越快；

(4)element-wise操作也会对模型速度产生消极影响。

4.根据权利要求2所述的一种基于卷积神经网络算法的人工智能阅片方法，其特征在于：特征融合层选用FPN(Feature Pyramid Network,FPN)的改进网络PAN(PathAugmentation Net)并在其基础上做轻量化修改；特征金字塔网络(Feature PyramidNetwork,FPN)是一种高效的CNN特征提取方法，常规卷积神经网络从下至上层层递进，尺度和语义信息不断变化，FPN通过增加自上而下通路的特征补充增强，使得最终输出的特征更好地表示输入图片多维度的信息。

5.根据权利要求2所述的一种基于卷积神经网络算法的人工智能阅片方法，其特征在于：nanoDet选用FCOS(Fully Convolutional One-Stage Object Detection)模型的检测头(head)，FCOS模型的思想是预测输入图像中的每个点所属的目标类别以及目标框，其整体架构类似FPN(Feature Pyramid Network)结构，并对5个融合后的特征层做预测。