[发明专利]肺结核判定方法、装置、计算机设备及存储介质

权利要求书

1.一种肺结核判定方法，其特征在于，所述方法包括：

获取待分类胸部X光片图像；

按照预设的图像处理步骤，将所述待分类胸部X光片图像转换为待分类目标图像，其中，所述待分类目标图像的分辨率和维度与训练肺结核分类模型的目标图像样本相同；

将所述待分类目标图像输入到所述肺结核分类模型中，得到预测概率，所述预测概率为预测肺结核为阳性的概率，当所述预测概率大于预设阈值时，判定与所述待分类目标图像对应的所述待分类胸部X光片图像存在肺结核，其中，所述肺结核分类模型采用的模型训练步骤包括：

构建训练样本集，其中，所述训练样本集包括用于模型训练的目标图像样本和用于模型测试的目标图像样本，所述用于模型训练的目标图像样本和用于模型测试的目标图像样本之间不存在相同的目标图像样本；

采用ResNet-50网络作为训练的深度神经网络，并将预训练得到的权值作为所述ResNet-50网络初始的权值；

将所述用于模型训练的目标图像样本输入到所述ResNet-50网络中训练，输出结果为肺结核阳性的预测概率；

根据所述预测概率更新所述ResNet-50网络的权值，直到更新的变化量均小于第一预设阈值时停止训练，得到待测试模型；

采用所述用于模型测试的目标图像样本测试所述待测试模型，当所述待测试模型输出的测试结果的准确率大于预设准确率时，将所述待测试模型作为所述肺结核分类模型；

所述根据所述预测概率更新所述ResNet-50网络的权值，包括：

采用交叉熵损失函数计算训练过程中产生的损失值，其中，所述交叉熵损失函数表示为：表示所述用于训练的目标图像样本的标签，y表示所述预测概率；

采用反向传播算法将训练过程中产生的损失值回传到所述ResNet-50网络中，根据每次训练回传的损失值更新所述ResNet-50网络的权值；

所述ResNet-50网络包括卷积层、标准化层和全连接层，所述肺结核分类模型在更新所述ResNet-50网络的权值时先在预设遍数内对所述ResNet-50网络中的卷积层进行更新，预设遍数训练之后，冻结所述ResNet-50网络中卷积层的权值，采用0.001的学习率训练所述ResNet-50网络中的标准化层和全连接层1000遍，对所述ResNet-50网络中的标准化层和全连接层的权值进行更新，其中，所述冻结是指不对所述ResNet-50网络中卷积层的权值进行更新。

2.根据权利要求1所述的方法，其特征在于，所述构建训练样本集，包括：

获取胸部X光片的图像样本以及所述图像样本的标签，其中，所述图像样本为肺结核阳性时，标签为1，所述图像样本为肺结核阴性时，标签为0；

将所述图像样本处理为预设分辨率的图像样本，其中，对于分辨率高于预设分辨率的图像样本，采用下采样的方法将所述图像样本的分辨率下采样至所述预设分辨率，对于分辨率低于所述预设分辨率的图像样本，采用双线性插值法将所述图像样本的分辨率上采样至所述预设分辨率；

将所述预设分辨率的图像样本的每个像素点的值归一化到[-1，1]的区间内；

将归一化处理后的所述图像样本进行复制，扩展所述图像样本的维度，得到目标图像样本；

采用所述目标图像样本构建所述训练样本集，其中，所述训练样本集中所述用于模型训练的目标图像样本和所述用于模型测试的目标图像样本的比例为5:1。

3.根据权利要求1所述的方法，其特征在于，所述ResNet-50网络包括卷积层，所述ResNet-50网络在更新所述卷积层的权值时，训练过程为采用0.0001的学习率训练3000遍所述ResNet-50网络，其中，每遍训练包括10张所述用于训练的目标图像样本。