[发明专利]一种多类肺炎诊断系统

权利要求书

1.一种多类肺炎诊断系统，其特征在于，系统包括：读片模块、特征获取模块、训练学习模块、诊断模块和结果输出模块；

所述读片模块用于读取体检者的X光正位胸片图像；

所述特征获取模块以运用Adam方法预训练的深度卷积块网络模型作为图像特征提取器，采用图像特征提取器提取X光正位胸片图像的特征形成样本；所述深度卷积块网络模型包括多个卷积块，每个卷积块包括卷积、池化、捷径连接；

所述训练学习模块用于构建多个动态学习网络分类器，每个动态学习网络分类器包括输入层、隐含层和输出层，设定输入神经元个数为训练集特征样本维度以及隐含层和输出层神经元的激活函数，输入层与隐含层之间各个连接权重分量随机初始化且保持不变，隐含层与输出层之间各个连接权重分量随机初始化并进行训练；

所述输出层神经元激活函数采用单极性softsign函数，单极性softsign函数的表达式如下：

其反函数为：

其中，z表示自变量；

所述诊断模块包括：

结合单元，用于将多个动态学习网络分类器平均分为两组，结合形成双阶段集成动态学习网络分类器模型；

综合评估单元，各动态学习网络分类器对测试图像各自进行诊断，得到多个初判结果，通过多个初判结果得出最终的诊断结果；针对双阶段集成动态学习网络分类器模型，首先采用第一阶段集成动态学习网络模型判断体检者是否患肺炎，若体检者被诊断患肺炎，则采用第二阶段判断所患肺炎类型；

所述结果输出模块用于输出最终诊断结果，并通过显示器界面显示出来。

2.根据权利要求1所述的一种多类肺炎诊断系统，其特征在于，所述特征获取模块包括：

预训练单元，用于搭建深度卷积块网络模型，并在确定训练方式为Adam方法、训练轮数和每批次输入图像数目后预训练网络；

图像特征提取器单元，用于提取输入的训练图像，得到对应的特征样本。

3.根据权利要求1所述的一种多类肺炎诊断系统，其特征在于，神经动力学训练方法对动态学习网络分类器进行训练，其表达式为：

E(k+1)-E(k)＝-αΦ(E(k)),α＞0 (3)

其中E(k)表示动态学习网络分类器在第k次学习样本后动态学习网络分类器输出减去期望值结果，相当于对体检者的预判结果与实际结果的偏差；α＞0表示动力学系数，Φ(·)表示变换函数；

输入层与隐含层之间的权重矩阵为V，由-1到1之间的均匀分布方式生成随机数且保持不变，以此对体检者所输入的X光正位胸片图像特征数据进行加权汇总；隐含层与输出层之间的权重矩阵W随机初始化等待训练，这相当于对输入样本进行具体分析；输出层各个神经元的激励函数g(·)均为单极性softsign函数，将分析结果通过非线性映射的方式转化成预判结果；单极性softsign函数的表达式如下：

设X表示经过样本抽取单元后得到的体检者X光正位胸片图像特征样本的矩阵，并作为输入，则单个动态学习网络分类器输出Y由以下式子表示：

Y＝g(QW)＝g(F(I)W) (4)

其中I和Q分别表示隐含层输入和输出矩阵，F(I)＝[f₁(i₁)；f₂(i₂)；…；f_j(i_j)；…；f_n(i_n)]，i_j表示I里面的第j列，f_j(i_j)代表第j个隐含层神经元的输出；

设W(k)表示第k次学习样本后隐含层与输出层之间的权重矩阵，则单个动态学习网络分类器输出为Y(k)，即疾病诊断专家对体检者X光正位胸片图像的诊断预测结果由以下式子推出：

Y(k)＝g(QW(k))＝g(F(I)W(k)) (5)

设实际结果，即期望值矩阵为L，则偏差E(k)＝Y(k)-L，先求出第k次学习样本后的训练误差ε(k)，训练误差为对多个体检者的预判结果与这些实际结果的总偏差；

对于训练误差ε(k)的求取，首先动态学习网络分类器判断结果输出Y(k)里的各个矩阵元素进行归一化计算得出概率矩阵P(k)，得出每位体检者是否患肺炎以及患新冠肺炎的概率，并取P(k)中针对每个样本的最大类概率所对应的类型作为预判结果，从而得知是否患病以及患病类型；

设矩阵Y(k)和P(k)规模均为l×q，其中l表示体检者数目，q表示诊断结果类别数目，对于Y(k)中的第s个体检者身体指标测量数据样本对应的预测判断结果y_s＝[y_s1,y_s2,…,y_sq]，其中，y_sr表示动态学习网络分类器第r个输出神经元输出；1≤s≤l，s∈z；1≤r≤q，r∈z；P(k)中的第s行的行向量P_s，即表示相应的第s个样本对是否患病的归属程度，通过以下式子而得：

其中：

在式子(6)中，P_sr表示第s个样本属于第r类的概率；作为样本实际标签，采取one-hot向量编码形式，得到编码矩阵L，通过交叉熵损失函数公式得出训练误差ε(k)：

其中L_sr与P_sr分别表示L与P(k)中第s行第r列元素，1≤r≤q，r∈z；

设训练误差阈值为ε'，以此对疾病诊断专家学习认识体检者X光正位胸片图像特征样本数据程度进行把关，如果ε(k)ε'，则停止对隐含层与输出层之间权重矩阵W的训练，结束对特征样本的学习过程；否则通过神经动力学训练方法的表达式推出E(k+1)＝E(k)-αΦ(E(k))，得到疾病诊断专家第(k+1)次学习样本后动态学习网络分类器输出减去期望值应有的结果E(k+1)，在此基础上需要求出隐含层与输出层之间的权重矩阵为W(k+1)，类比E(k)＝Y(k)-L可得E(k+1)与Y(k+1)同时满足以下等式关系：

E(k+1)＝Y(k+1)-L (9)

Y(k+1)＝g(QW(k+1)) (10)

由式子(9)和式子(10)得出W(k+1)的求解表达式：

进一步得出在第(k+1)次学习样本后，W(k+1)与W(k)的关系，W(k+1)迭代求解表达式为：

其中Φ(·)表示变换函数，Φ(E(k))表示诊断专家对诊断偏差的学习认知程度；

在式子(11)与式子(12)中，Q⁺表示隐含层输出矩阵Q的Moore-Penrose伪逆；将式子(1)按自变量z的取值区间进行分段处理，每段各自求出其反函数，再将各个取值区间的反函数拼接，g^-1(z)的表达式为：