[发明专利]基于深度神经网络的常见结肠部疾病分类方法及辅助系统

权利要求书

1.基于深度神经网络的常见结肠部疾病分类方法，其特征在于，包括如下步骤：

步骤1.获取结肠镜图像数据，并针对数据样本标注图像中所含病变的名称，若图像中没有病变，则标注为正常；

步骤2.将相同标签的数据样本划分为一个数据集，并将每个数据集划分为训练集、验证集和测试集，其中训练集和验证集分别用于模型训练和保存模型参数，测试集用于验证最终的模型效果；

步骤3.将各类病变的训练集、验证集和测试集分别合并，获得一个多分类数据集；

步骤4.将所述多分类数据集的标签设为异常，将异常和正常的训练集、验证集和测试集分别合并，得到一个二分类数据集；

步骤5.基于所述二分类数据集训练得到一个针对结肠镜图像的正常-异常深度神经网络分类模型；

步骤6.基于所述多分类数据集训练得到一个针对结肠镜图像的病变类型深度神经网络分类模型；

步骤7.将正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型进行融合，得到一个结肠镜图像的深度神经网络疾病分类模型，在所述结肠镜图像的深度神经网络疾病分类模型中，测试集中的图像将首先被输入正常-异常深度神经网络分类模型中，若被判定为正常的图像则直接输出判定结果，若被判定为异常的图像，则被输入到病变类型深度神经网络分类模型中，进一步确定病变类型后将判定结果输出。

2.根据权利要求1所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，所述病变的类型包括癌、息肉和炎症。

3.根据权利要求2所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤2中，按照4:1:1的比例将标签为正常的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为癌的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为息肉的数据进行划分，获得训练集、测试集和验证集；按照4:1:1的比例将标签为炎症的数据进行划分，获得训练集、测试集和验证集。

4.根据权利要求3所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤3具体为：将标签为癌、息肉和炎症的训练集、测试集和测试集分别合并，即不同病变类型的训练集与训练集合并，验证集与验证集合并，测试集与训练集合并，得到一个病变的三分类数据集。

5.根据权利要求1所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，步骤5-步骤6中，所述正常-异常深度神经网络分类模型和病变类型深度神经网络分类模型均为深度卷积神经网络模型。

6.根据权利要求5所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，所述深度卷积神经网络模型包括起始模块、残差块和密集连接块；

所述起始模块，用于使用不同大小的卷积核提取出不同视野下的特征；

所述残差块，使用残差连接，用于将残差块的输入特征直接加到输出特征中；

所述密集连接块，其中各层间采取密集连接机制，即每一层的输入都包含了前面所有层的输出。

7.根据权利要求5所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，训练深度卷积神经网络模型时，设置学习率为0.01，学习迭代次数为150，一个训练批次数量设置为60，每一次迭代训练完成后，深度卷积神经网络模型计算所有输出与其对应标签的总体误差，并采用BP算法将误差反馈至深度卷积神经网络模型各层，各层再根据误差采用梯度下降法调整深度卷积神经网络模型参数。

8.根据权利要求7所述的基于深度神经网络的常见结肠部疾病分类方法，其特征在于，当深度卷积神经网络模型输入验证集数据时，计算基于验证集的输出与其对应标签的总体误差，如果当前误差小于上一次迭代时的误差，则保存当前的深度卷积神经网络模型。