[发明专利]一种基于集成深度学习的高效识别耳部疾病系统

说明书

本发明属于识别耳部疾病技术领域，尤其是一种基于集成深度学习的高效识别耳部疾病系统，针对现有的技术不能对耳疾进行自动识别，增加了工作难度的问题，现提出如下方案，其包括内窥镜采集模块、耳镜图像判别模型、深度学习模型模块、耳疾病智能识别和显示模块，所述内窥镜模块与耳镜图像判别模型连接，耳镜图像判别模型与深度学习模型模块连接，深度学习模型模块与耳疾病智能识别连接，内窥镜模块与显示模块连接。本发明通过准确性和训练验证时间对12个公共模型的性能进行了评价；根据评估结果，从12个模型中选取2个最优模型，构建集成分类器，设计并实现耳疾实时自动识别系统。

技术领域

本发明涉及识别耳部疾病技术领域，尤其涉及一种基于集成深度学习的高效识别耳部疾病系统。

背景技术

众所周知，听觉被认为是五种最重要的感觉之一，因为听觉是人类生活主要依赖，但是，耳疾作为一种常见病，如果不及早发现和有效治疗，可能会留下一些负面影响，如听力损害。在临床上对耳疾病的评估中，常规的耳镜检查或耳内窥镜检查是体格检查的重要组成部分。然而，用于诊断的耳镜或耳内窥镜很容易被非耳鼻喉科医生误诊。近年来，深度学习作为一种很有前景的图像识别或分类方法，是图像自动感知、处理和判定的基础，长期以来一直是计算机视觉领域的热点问题。

现有的技术不能对耳疾进行自动识别，增加了工作难度。

发明内容

本发明的目的是为了解决现有的技术不能对耳疾进行自动识别，增加了工作难度的缺点，而提出的一种基于集成深度学习的高效识别耳部疾病系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于集成深度学习的高效识别耳部疾病系统，包括内窥镜采集模块、耳镜图像判别模型、深度学习模型模块、耳疾病智能识别和显示模块，内窥镜模块与耳镜图像判别模型连接，耳镜图像判别模型与深度学习模型模块连接，深度学习模型模块与耳疾病智能识别连接，内窥镜模块与显示模块连接；耳镜图像判别模型上连接有训练迁移学习网络模型，训练迁移学习网络模型上连接有集成分类器模块。

内窥镜采集模块为内窥镜，用于采集图像；

显示模块为显示器，用于显示采集的图像；

耳镜图像判别模型，用于判别耳膜图像；

训练迁移学习网络模型用于对采集的图像进行建模和处理；

集成分类器模块用于对建模处理后的图像进行预测和判断。

优选的，所述训练迁移学习网络模型包括图像处理单元、训练网路、优化网路模型。

优选的，所述图像处理单元用于对模型训练过程中的数据增强，对输入图像进行水平和垂直的随机X和Y翻转；

具体包括以下步骤：首先，将训练集中的鼓膜和图像样本进行特征分类；

然后，在验证数据集上观察训练模型的性能；

最后，损耗和精度稳定后，训练停止。

优选的，所述训练网路用于对图像进行随机抽取10％。

优选的，所述优化网路模型用于在卷积运算训练过程中缓慢减小图像特征的大小，创建十二个模型；从十二个模型中选择两个合适的模型，通过对十二种模型的精度和计算时间性能的评价，选择合适的模型。

优选的，所述集成分类器模块为结合两种模型的分类器输出，构造集尘分类器模型。

优选的，所述集尘分类器模型将输入图像的概率分配给8个标签(NE、CME、CSOM、EACB、IC、OE、SOM、TMC)，所有标签中最大的概率视为可预测标签。

优选的，所述集成分类器将两个模型的预测结果中的8项得分向量组合在一起，得分最大的类将作为最终预测图像的标签。