[发明专利]基于深度学习的计算机辅助诊断方法

权利要求书

1.一种基于深度学习的计算机辅助诊断方法，其特征在于：包括以下步骤：

步骤1：采集数据，通过口腔医生采集口腔病理图片，并对所有病理图片分类并标注上疾病诊断结果标签，建立具有疾病诊断标签的病理图像数据集；

步骤2：目标图片诊断功能；

步骤3：图像剪裁功能；使用pyqt5的信号与槽的原理，设计自定义裁剪模块，裁剪出ROI区域，将裁剪后的图片送入步骤2中最优的网络模型种进行检测；剔除与病变无关的部分，只使用ROI区域图片；

步骤4：图像缩放和平移功能：使用opencv设计图像的缩放和平移模块：

步骤5：图像对比度功能：

调用Python图像处理库PIL的ImageEnhance模块；

步骤6：图像旋转功能：

调用opencv中的rotate函数，完成图片旋转90度的功能；使用

cv2.rotate()方法将2D数组旋转90度的倍数；

步骤7：基于pyqt5设计应用程序界面，将所有功能进行封装，完成功能的测试；

步骤8：打包成可执行文件，使用pyinstaller打包成可执行文件；

步骤9：软件测试，将口腔黏膜性疾病的图像拍摄上传至软件中，测试软件性能。

2.根据权利要求1所述的基于深度学习的计算机辅助诊断方法，其特征在于：步骤2包括以下步骤：

步骤2.1：去掉背景复杂，难以辩认的图片，对处理后的图像做批量图像增强，包括旋转、水平反转、对比度、随机剪裁和高斯噪声，将所有数据集中的图像缩放为224×224大小，方便模型训练；

步骤2.2：构建深度学习网络模型，选择EfficientNet深度网络模型，利用keras和tensorflow深度学习框架，对目标图片进行诊断；

步骤2.3：通过训练过程记录的日志对网络模型的参数进行调整，优化，使模型达到最优状态。

3.根据权利要求1所述的基于深度学习的计算机辅助诊断方法，其特征在于：步骤3包括以下步骤：

步骤3.1：定义信号和参数：定义信号；记录鼠标点击左键开始剪裁时的坐标点；释放左键结束剪裁时的坐标点；设置窗体透明度setWindowOpacity参数，透明度的有效范围从1.0到0.0；

步骤3.2：绑定信号和槽函数：使用connect函数绑定信号和槽；

步骤3.3：设置槽函数，槽函数为程序响应剪裁信号时后，要执行的操作)；点击左键开始选取截图区域，鼠标左键按下的同时移动鼠标绘制截图辅助线，鼠标左键释放开始截图操作；共定义5个函数完成剪裁功能：定义截图函数、定义绘制截图辅助线函数、定义点击左键函数、定义释放左键函数、定义左键移动函数。

4.根据权利要求1所述的基于深度学习的计算机辅助诊断方法，其特征在于：步骤4包括以下步骤：

步骤4.1鼠标滚轮缩放：

设置缩放倍数，设置初始图片窗口位置和大小，计算缩放后图片的窗口位置。调用opencv中的resize函数，并使用插值法，对图片进行滚轮缩放。

步骤4.2：平移：

鼠标点击左键拖曳，移动图片。

5.根据权利要求1所述的基于深度学习的计算机辅助诊断方法，其特征在于：步骤8包括以下步骤：

步骤8.1：创建资源文件夹res，包括软件背景图片、测试病理图片、已训练的网络模型；

步骤8.2生成.spec文件并修改.spec文件中的datas＝[datas＝[('res\efficientnet_weights_best.h5','res'),('image','images')]；

步骤8.3：打包.spec文件。