[发明专利]一种基于深度学习的类风湿性关节炎X光片评分方法

权利要求书

1.一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，具体流程如下：

S1、获取评分后的类风湿炎关节炎患者X光片图像，并基于X光片图像构建类风湿炎关节炎患者X光片图像数据集；

S2、预处理：对X光片图像数据集按比例随机划分，分别建立训练集、校验集与测试集，其中90％为训练集，5％为校验集，5％为测试集；

S3、采用Full Pre-Activation和ResNet-D模型作为基准架构，采用深度可分离卷积代替标准卷积，将ResNet网络中残差块修改为反向残差块，构建ResNet-Dwise50网络：

将depthwise作为单独的层计算，ResNet-Dwise50网络深度为50层，构建的ResNet-Dwise50模型的体系结构如下表：

S4、对构建的ResNet-Dwise50网络，使用CheXpert数据集进行预训练，对网络参数进行初始化，然后保留特征提取器的参数，实现迁移学习，通过迁移学习提高网络模型的训练精度；采用训练集对ResNet-Dwise50网络进行训练，并采用校验集对模型进行校验，最后使用测试集对ResNet-Dwise50网络的模型效果进行评价。

S5、采用训练完成的ResNet-Dwise50网络模型对待评分的类风湿炎关节炎患者X光片图像进行分析评分，得到对应的评分结果。

2.根据权利要求1所述的一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，步骤S1中所述评分后的类风湿炎关节炎患者X光片图像是指专业医生对类风湿炎关节炎患者X光片图像进行打分后的图像。

3.根据权利要求1所述的一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，步骤S3中构建ResNet-Dwise50网络：在深度可分离卷积块中使用完全预激活，即在每个卷积层前面都有一个BatchNorm层和ReLU非线性层；在不同的深度可分离卷积块之间的残差连接部分，采用ResNet-D调整以增强下采样过程的信息传递；最后使用全连接层，将池化后的特征矩阵通过前馈神经网络处理得到一个输出单元，该单元代表了类风湿关节炎X光片的全局评分。

4.根据权利要求3所述的一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，使用倒置残差块代替标准残差块对ResNet-Dwise50网络模型进行优化，即在标准残差块中的深度可分离卷积层之前添加1×1卷积，以扩展输入矩阵的维数。

5.根据权利要求1所述的一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，在步骤S4中，所述ResNet-Dwise50网络的评分模型具体如下：

S4.1、使用ResNet-Dwise50网络提取特征矩阵，使用全连接层预测分数；

S4.2、使用损失函数对分数进行回归；

S4.3、用损失函数对得分进行回归：

损失函数公式如下：

其中，y_i表示真实值，表示预测值，smooth(x)定义如下：

其中，a是调制因子，可减少简单样例(预测的值与真实值的绝对值小于某个定值c)的损失值；b是偏执项，其功能是减少与简单样例相对的样例的损失值；c是接受因子，可定义简单样例的损失值的接受范围，本模型选择参数如下：a＝0.6,b＝0和c＝1.0。

6.根据权利要求1所述的一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，在步骤S4中，对ResNet-Dwise50网络的模型效果进行评价的方法为：采用Pearson相关系数(ρ)、平均绝对误差(MAE)和均方根误差(RMSE)指标对模型效果进行评价；指标定义如下：

其中，X和Y分别代表真实评分的向量与预测评分的向量，x_i代表X向量中的元素，y_i代表Y向量中的元素，n代表预测集样例的个数。

7.根据权利要求6所述的一种基于深度学习的类风湿性关节炎X光片评分方法，其特征在于，还包括对于测试集的预测分数和真实分数的t检验，根据得到的P值来衡量预测分数和真实分数之间平均得分是否存在显著性差异。