1.一种基于深度学习的多方位X光胸片肺炎诊断方法,其特征在于,包括以下步骤:
1)输入X光胸片图像数据集;
2)数据治理:根据数据集提供的文本元数据文件,对存在标签值缺失或数值异常的数据进行删除;然后挑选出肺炎标签为0或1的X光胸片数据,并根据胸片图像的方位信息将X光胸片划分成前后位、后前位、侧位三个子集;最后,使用局部均衡的方法对胸片进行图像增强,使得胸片的肺部纹理轮廓更加清晰;
3)深度卷积神经网络模型构建:模型包括图像特征提取阶段和分类阶段,图像特征提取阶段使用三个在ImageNet数据集上预训练的网络Inception v3、ResNet50和DenseNet121分别对输入的三个方位的胸片图像进行特征提取;分类阶段包括一个转换层、一个全局池化层和一个预测层,用于输出所输入的样本是否患有肺炎;
4)模型参数设置:依次设置训练轮次epoch、训练批次大小bactch_size、学习率learning_rate及优化函数Adam,并按照下式改进传统的二分类交叉熵损失函数L(X,y):L(X,y)=-wposylogp(Y=1|X)-wneg(1-y)logp(Y=0|X) (1)其中,y表示网络分类的结果,p(Y=i|X)是网络将样本预测为类别i的概率,|P|和|N|分别表示训练集中正样本和负样本的数量;
5)对于每个训练样本X,X=(XPA,XAP,XLA)进行如下操作:
5.1)特征提取:对三个方位的图像XPA,XAP,XLA,分别使用InceptionV3,ResNet50和DenseNet121预训练卷积神经网络对X光胸片图像进行特征提取,得到fPA,fAP,fLA,其中fPA表示后前位的特征,fAP表示前后位的特征,fLA表示侧位的特征。基于迁移学习的方法,冻结预训练网络前面的卷积层,只开放预训练网络最后两层卷积层参与训练,拟合X光胸片数据;
5.2)特征转换:将三个特征fPA,fAP,fLA的维度使用全连接层转换为统一的维度E,并将其叠加得到融合了三个方位信息的特征f:f=(FC(fPA)+FC(fAP)+FC(fLA)) (2)其中,FC表示全连接层,用于统一特征的维度大小;
5.3)分类结果:将特征f输入至全局平均池化层进行正则化处理,防止网络模型过拟合,最后采用sigmoid函数,输出分类结果y,y∈{0,1},其中,0代表该病人未患肺炎,1代表该病人患有肺炎。