一种基于大数据AI图像处理的肺部健康检测系统
本发明涉及肺部健康监测,具体为一种基于大数据ai图像处理的肺部健康检测系统。
背景技术:
1、现有的肺部健康检测方法通常依赖于大量标注的图像数据集进行训练,尤其是在使用深度学习模型时,如卷积神经网络(cnn)等。这些模型需要大量的高质量标注图像来进行训练,以确保模型的准确性和鲁棒性。专利公开号为cn113838016a的专利文献公开了一种应用于ai肺部图像的处理方法及系统,其能够实现对人员肺部疾病的自动化检测,能够快速准确地判断人员是否患病,对病人的肺部疾病进行快速分析,便于及时进行诊疗
2、然而,上述现有技术中仍然需要获取大量标注的图像样本,获取大量标注的肺部图像数据集是非常困难且昂贵的,尤其是在医疗领域,医生的标注工作需要花费大量的时间和精力。因此,现有方法在肺部健康检测系统中的应用面临着数据量的瓶颈。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于大数据ai图像处理的肺部健康检测系统,通过对抗生成网络生成大量的标注样本,以解决背景技术中提出的技术问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、一种基于大数据ai图像处理的肺部健康检测系统,包括:
4、原始图像获取模块,用于获取标注有肺部病变类型的原始肺部图像;其中,采集数量为预定义的少样本数量阈值;
5、真实图像获取模块,用于根据原始肺部图,得到标注有肺部病变类型的真实肺部图像;
6、对抗网络训练模块,用于根据所述真实肺部图像,迭代训练一可生成虚假肺部图像的对抗网络模型;其中,对抗网络模型由初始gan模型迭代训练获取;
7、多样本生成模块,用于将所述真实肺部图像输入迭代训练后的对抗网络模型,生成可模拟真实肺部图像的多样本的虚假肺部图像;
8、有监督标签模块,用于将多样本的虚假肺部图像及其真实肺部图像定义为mlp模型的输入变量,对应的肺部病类型定义为目标变量,
9、预测模型训练模块,用于经有监督迭代学习,mlp模型被迭代为可预测肺部病变类型的预测模型;
10、检测模块,用于获取实时肺部图像,将其作为所述预测模型的输入,输出预测的肺部病变类型。
11、在其中的一些实施例中,根据原始肺部图,得到标注有肺部病变类型的真实肺部图像,包括:
12、s2-1、获取n个病变类型的n*m个原始肺部图像;
13、s2-2、对n*m个原始肺部图像进行几何变换,得到n*4m个真实肺部图像;并为每个真实肺部图像单独建立标注为“真实”的目标标签。
14、在其中的一些实施例中,迭代训练一可生成虚假肺部图像的对抗网络模型,包括:
15、s3-1、获取所述真实肺部图像;
16、s3-2、定义gan模型的生成器损失函数和判别器损失函数;
17、s3-3、从所述肺部图像中抽取第一批次训练图像,输入至gan模型的生成器,并由判别器输出真假判断标签。
18、s3-4、根据真假判断标签和判别器损失函数,生成判别器综合损失函数;
19、s3-5、将最小化生成器损失作为生成器的参数更新目标,计算生成器损失函数相对于当前生成器参数的梯度,并基于梯度更新所述当前生成器参数,得到更新后生成器;
20、s3-6、将最小化判别器综合损失作为判别器的参数更新目标,计算判别器综合损失函数相对于当前判别器参数的梯度,并基于梯度更新所述当前判别器参数,得到更新后判别器;
21、s3-7、从所述真实肺部图像中抽取第二批次训练图像,输入至gan模型的更新后生成器,并由更新后判别器输出第二批次的真假判断标签;
22、s3-8、循环执行s3-3至s3-7,以收敛所述gan模型;
23、s3-9、若收敛至最小化生成器损失和最小化判别器综合损失,将当前模型参数的gan模型导出,定义为所述对抗网络模型。
24、在其中的一些实施例中,定义gan模型的生成器损失函数和判别器损失函数,包括:
25、s3-2-1、定义生成器损失函数;
26、所述生成器损失函数为:;
27、其中,表示生成器损失,表示生成器g生成的虚假肺部图像,z表示生成器输入的噪声向量,表示判别器d对生成的虚假肺部图像的输出概率,
28、s3-2-2、定义判别器损失函数;
29、所述判别器损失函数为:;
30、其中,表示判别器损失,表示输入图像为真实肺部图像,表示判别器d对输入的真实肺部图像判断为真实的输出概率;
31、在其中的一些实施例中,从所述肺部图像中抽取第一批次训练图像,输入至gan模型的生成器,并由判别器输出真假判断标签,包括:
32、s3-3-1、将第一批次训练图像输入至gan模型的生成器,以输出第一批次的虚假肺部图像;并为每个虚假肺部图像单独分配标注为虚假的目标标签;
33、s3-3-2、将所述第一批次的虚假肺部图像和训练图像作为输入图像,输入至gan模型的判别器,以输出每张输入图像的真假判断标签;
34、在其中的一些实施例中,根据真假判断标签和判别器损失函数,生成判别器综合损失函数,包括:
35、s3-4-1、根据第一批次中输入图像的真假判断标签,以及输入图像的目标标签,计算判别器的第一错误率和第二错误率;
36、其中,所述第一错误率表征判别器将真实肺部图像判别为虚假肺部图像,所述第二错误率表征判别器将虚假肺部图像判别为真实肺部图像;
37、s3-4-2、将第一错误率和第二错误率合并至判别器损失函数中,得到判别器综合损失函数;
38、所述判别器综合损失函数为:
39、;
40、其中,表示判别器综合损失函数,表示第一错误率,表示第二错误率,和为权重系数,用于控制第一错误率和第二错误率的影响程度。
41、在其中的一些实施例中,计算判别器的第一错误率和第二错误率,包括:
42、s3-4-1-1、获取第一批次中输入图像的真假判断标签,以及输入图像的目标标签;
43、s3-4-1-3、对比所述输入图像的真假判断标签和目标标签;
44、s3-4-1-4、若输入图像的目标标签为真实,则将对应的真假判断标签与目标标签的不一致总数作为第一错误数量,并计算第一错误数量占第一批次中输入图像数量的第一错误率;
45、s3-4-1-5、若输入图像的目标标签为虚假,则将对应的真假判断标签与目标标签的不一致总数作为第二错误数量,并计算第二错误数量占第一批次中输入图像数量的第二错误率;
46、在其中的一些实施例中,从所述真实肺部图像中抽取第二批次训练图像,输入至gan模型的更新后生成器,并由更新后判别器输出第二批次的真假判断标签,包括:
47、s3-7-1、将第二批次训练图像输入至更新后生成器,以输出第二批次的虚假肺部图像;并为每个虚假肺部图像单独分配标注为虚假的目标标签;
48、s3-7-2、将所述第二批次的虚假肺部图像和训练图像作为更新后判别器的输入图像,以输出第二批次输入图像的真假判断标签。
49、在其中的一些实施例中,所述原始肺部图像的获取时间点为k1,其上肺部病变类型的标注时间点为k2,所述k1和k2之间的时长大于7日。
50、在其中的一些实施例中,mlp模型被迭代为可预测肺部病变类型的预测模型,包括:
51、定义预测模型的收敛条件;所述收敛条件包括:达到最大迭代次数或mlp模型的损失函数的变化小于阈值或模型参数变化小于阈值。
52、本发明提供了一种基于大数据ai图像处理的肺部健康检测系统,具备以下有益效果:
53、本发明通过生成对抗网络,能够在仅有少量真实肺部图像样本的情况下,生成大量的虚假肺部图像,进而扩充训练数据集。这些虚假图像具有与真实图像相似的特征,并且通过几何变换保证了图像标签的准确性,使得系统在少量样本下依然能够进行有效的训练和准确的肺部病变预测,该系统检测显著减少了对大量标注数据的需求,增强了模型对不同病变类型的识别能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com