[发明专利]一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质

权利要求书

1.一种基于AlexNet网络模型实现医学影像辅助诊断的方法，其特征在于，包括如下步骤：

S101.获取若干张样本医学影像和对应各张样本医学影像的诊断标签，其中，所述诊断标签为正例或负例；

S102.对各张样本医学影像进行图像预处理，得到相应的且呈正方形、尺寸大小一致和归一化的标准样本医学影像，同时对相应的诊断标签进行如下形式的数字编码；若为正例，标记为1，而若为负例，标记为0；

S103.从训练样本数据集中抽取2ⁿ张标准样本医学影像，然后将这些标准样本医学影像导入至AlexNet网络模型中进行正向传播，得到对应各张标准样本医学影像的第一预测概率，其中，所述训练样本数据集包括有不少于2ⁿ张的所述标准样本医学影像，n为介于4～8之间的自然数，所述第一预测概率包括识别影像为正例的概率和识别影像为负例的概率；

所述AlexNet网络模型沿正向传播方向依次包括有第一卷积层、第一批规范化层、第一最大池化层、第二卷积层、第二批规范化层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、所述扁平化层、第一全连接层、第一丢弃层、第二全连接层、第二丢弃层和第三全连接层，其中，所述第一卷积层的卷积核为(11，11)，步长为(4，4)，输出通道数为96，激活函数为relu激活函数，padding类型为valid；所述第一批规范化层用于加速网络收敛，并防止过拟合，提高泛化能力；所述第一最大池化层的池化核心为(3，3)，步长为(2，2)，padding类型为valid；所述第二卷积层的卷积核为(5，5)，步长为(1，1)，输出通道数为256，激活函数为relu激活函数，padding类型为same；所述第二批规范化层也用于加速网络收敛，并防止过拟合，提高泛化能力；所述第二最大池化层的池化核心为(3，3)，步长为(2，2)，padding类型为valid；所述第三卷积层的卷积核为(3，3)，步长为(1，1)，输出通道数为384，激活函数为relu激活函数，padding类型为same；所述第四卷积层的卷积核为(3，3)，步长为(1，1)，输出通道数为256，激活函数为relu激活函数，padding类型为same；所述第五卷积层的卷积核为(3，3)，步长为(1，1)，输出通道数为384，激活函数为relu激活函数，padding类型为same；所述扁平化层用于将特征图展成一行，便于后面接第一全连接层；所述第一全连接层的神经元数量为1024个，激活函数为relu激活函数；所述第一丢弃层用于随机地使一半的神经元失活，避免过拟合，提高泛化能力；所述第二全连接层的神经元数量为所述第一全连接层的神经元数量的一半，激活函数为relu激活函数；所述第二丢弃层用于随机地使一半的神经元失活，避免过拟合，提高泛化能力；所述第三全连接层的神经元数量为2，激活函数为softmax激活函数，其中，所述softmax激活函数用于识别影像为正例的概率和识别影像为负例的概率；

S104.按照如下公式计算本次训练的平均损失值loss：

式中，i为介于1～2ⁿ之间的自然数，y_i为第i张标准样本医学影像的诊断标签编码值，为第i张标准样本医学影像的且识别影像为正例的概率，κ为常数；

S105.通过梯度下降法将所述平均损失值loss逐层反向传播，进行模型参数的更新；

S106.返回执行步骤S103～S105，直到所述平均损失值loss降低到预设阈值，完成模型训练；

S107.获取待诊医学影像；

S108.对所述待诊医学影像进行图像预处理，得到呈正方形、尺寸大小与所述标准样本医学影像一致和归一化方式与所述标准样本医学影像一致的标准待诊医学影像；

S109.将所述标准待诊医学影像输入完成训练的AlexNet网络模型中，得到对应所述标准待诊医学影像的第二预测概率，其中，所述第二预测概率包括识别影像为正例的概率和识别影像为负例的概率；

S110.根据所述第二预测概率得出诊断结果：若所述第二预测概率中识别影像为正例的概率不小于正例与负例的分割阈值，则判定诊断结果为正例和/或阳性，否则判定诊断结果为负例和/或阴性。