[发明专利]一种基于深度学习卷积神经网络的肺部炎症识别诊断方法

权利要求书

1.一种基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，包括如下步骤：

S1：从kaggle上获取开源肺部X光影像图片数据集ChestXray2017，并对数据集进行预处理；

S2：构建InceptionResNetV2神经网络算法，并对InceptionResNetV2神经网络算法进行迁移学习；

S3：将进行迁移学习后的InceptionResNetV2神经网络算法进行改进，获取改进后的神经网络算法，命名为InceptionResNet-SE；

S4：对InceptionResNet-SE神经网络算法引入冻结层；

S5：利用开源数据集ChestXray2017对InceptionResNet-SE神经网络算法进行微调训练，完成对InceptionResNet-SE神经网络算法的构建。

2.根据权利要求1所述的基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，所述步骤S1中的数据预处理过程具体为：

S11：对所述开源数据集ChestXray2017进行均衡化处理；

S12：通过随机旋转角度(90°/180°/270°)和图片翻转(水平翻转/垂直翻转)以及随机裁剪等方式对开源数据集ChestXray2017进行扩充处理；

S13：将扩充处理后的开源数据集ChestXray2017按照6:2:2的比例划分为训练集、验证集、测试集。

3.根据权利要求1或2所述的基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，所述步骤S2中对InceptionResNetV2神经网络算法进行迁移学习具体为：

S21：采用keras框架搭建所述InceptionResNetV2神经网络算法；

S22：利用开源数据集ImgeNet对InceptionResNetV2神经网络算法进行预训练，保存最佳算法参数，并导出预训练的InceptionResNetV2神经网络算法模型的预训练参数。

4.根据权利要求1或2所述的基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，所述步骤S3中对进行迁移学习后的InceptionResNetV2神经网络算法进行改机，具体为：

S31：将InceptionResNetV2网络中最后一个全连接层前的sigmoid层去除，并在最后一个全连接层后加入SENet模块；

S32：通过采用步骤S31所述的方法，构造改进后的神经网络算法，将其命名为InceptionResNet-SE神经网络算法，用来识别正常数据或者肺炎数据；

S33：将步骤S22中导出的预训练参数导入InceptionResNet-SE神经网络算法。

5.根据权利要求4所述的基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，所述的肺炎数据包括细菌性肺炎和病毒性肺炎。

6.根据权利要求1或2所述的基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，所述步骤S4中对InceptionResNet-SE神经网络算法引入冻结层，具体为：

S41：将InceptionResNet-SE神经网络算法除新加入的SENet模块以外的参数全部冻结，只训练新加入的SENet模块的参数。

7.根据权利要求1或2所述的基于深度学习卷积神经网络的肺部炎症识别诊断方法，其特征在于，所述步骤S5中利用开源数据集ChestXray2017对InceptionResNet-SE神经网络算法进行微调训练，具体为：

S51：采用学习率控制法，若训练当中的InceptionResNet-SE神经网络算法的验证损失函数连续10个epoch没有出现更优值，则将初始学习率缩小为原来的0.1倍继续训练；

S52：采用早停法，若训练当中的InceptionResNet-SE神经网络算法的验证损失函数连续40个epoch没有出现更优值，则提前终止InceptionResNet-SE神经网络算法的训练；

训练过程中，每次输入64张肺部X光影像图片进入神经网络算法模型进行训练，训练数据集中所有的图片都训练过一次后视为完成一轮(epoch)训练；设定训练轮数为150轮，训练达到150轮以后停止算法训练；

训练采用的损失函数为二进制交叉熵(binary_crossentropy)损失函数，优化器采用Adam优化器，初始学习率设定为0.001。