[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

说明书

本发明涉及人工智能与医疗诊断相结合的学科交叉领域，公开了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。本发明利用深度学习实现了对肺部炎症疾病图像的诊断辅助；首先对InceptionResNetV2算法进行改进，加入SENet模块，构建改进后的算法InceptionResNet‑SE，用来识别肺部X光影像图片。在训练过程中采用了数据增强和迁移学习等方法提高算法性能，并引入冻结层来降低过拟合风险。最终算法取得的AUC值为0.96。本发明利用深度学习方法辅助医生更好的对肺部炎症图像进行诊断，有效的降低了漏诊和误诊概率。

技术领域

本发明涉及人工智能与医疗诊断相结合的学科交叉领域，具体而言，尤其涉及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。

背景技术

长期以来，各种肺部疾病发病率较高且呈现不断上升的趋势。特别是肺炎，是一种多发且严重性的感染疾病，可发生于任何年龄段，严重的影响患者的身心健康。新冠肺炎疫情更是席卷全球，给人类带来了一场严重的灾难。

在传统的肺炎检测诊断过程中，判断一幅肺部X光影像是否为肺炎主要依靠有经验的医生，但是由于人工经验等客观因素的差别，准确率无法得到保证。肺炎X光表现为肺部可见炎症性浸润阴影，肺炎的初级症状和体征不是非常明显，在日常临床诊断中容易出现漏诊、误诊等。随着深度学习等人工智能技术在图像识别分类领域的发展以及各类权威的医疗组织机构对医疗影像数据集的公开，将深度学习算法技术作为医生的用来诊断肺部疾病的辅助工具，可以有效的提升放射科医生的诊断效率与准确率，降低医疗成本，有助于患者疾病的早期治疗，具有良好的临床实用价值。

卷积神经网络在图像算法领域已经取得了显著的成果，如目标检测，图像分割，图像分类等。目前为止，一些已有的卷积神经网络在某些问题上有着良好的性能，例如ResNet50、DenseNet121、AlexNet等。但是，由于医疗图像像素分辨率较高，不同病人之间的医疗影像复杂度较高等因素的存在，导致单一的卷积神经网络在某些诊断问题上存在着准确率不高，误诊漏诊率较高等问题。

发明内容

有鉴于此，本发明的目的在于解决传统方法在肺部炎症影像图像识别准确率低、容易漏诊误诊、数据量不足的问题。本发明以肺部X光影像图像为分类目标，提出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，来实现肺部炎症图像的计算机辅助诊断。

本发明解决其技术问题所采用的技术方案如下：

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，包含如下步骤：

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。

进一步地，所述的步骤S1中预处理过程具体为：

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；