基于深度学习的肺结核识别诊断模型、方法、装置及介质与流程

技术特征：
1.基于深度学习的肺结核识别诊断模型，其特征在于所述识别诊断模型包括三个策略模型，分别为：concatenation策略模型，所述concatenation策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，用于对得到的特征向量进行维度规约以将特征向量的维度统一化，并将维度统一化特征向量进行拼接得到拼接后特征向量，对于拼接后特征向量，用于通过全连接层进行识别分类，得到诊断结果；voting策略模型，所述voting策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，对于每个维度统一化后特征向量，用于通过对应的全连接层进行识别分类，得到所述维度统一化后特征向量对应的诊断结果，并用于计算诊断结果的平均值作为最终诊断结果；attention策略模型，所述attention策略模型用于对输入图像提取特征得到特征图，并对特征图进行全局平均池化得到特性向量，用于基于注意力机制对维度统一化后特征向量进行加权求和，得到加权后特征向量，对于每个加权后特征向量，用于通过对应的全连接层进行识别分类，得到所述加权后特征向量对应的诊断结果，并用于计算诊断结果的平均值作为最终诊断结果。2.根据权利要求1所述的基于深度学习的肺结核识别诊断模型，其特征在于所述concatenation策略模型包括：特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；维度规约模块，所述维度规约模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量；维度拼接模块，所述维度拼接模块用于将输入的特征向量进行拼接，得到长维度的拼接后特征向量；单头分类模块，所述单头分类模块包括一个全连接层，用于以拼接后特征向量为输入进行识别分类，输出诊断结果。3.根据权利要求1所述的基于深度学习的肺结核识别诊断模型，其特征在于所述voting策略模型包括：特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；维度规约模块，所述维度规约模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量；多头分类模块，所述多头分类模块包括多个全连接层，每个维度统一后特征向量对应一个全连接层，对于每个维度统一后特征向量，通过对应的全连接层进行识别分类得到诊断结果，并计算所有诊断结果的平均值作为最终诊断结果输出。4.根据权利要求1所述的基于深度学习的肺结核识别诊断模型，其特征在于所述
attention策略模型包括：特征提取模块，所述特征提取模块包括多个特征提取器，每个特征提取器包括至少一个卷积层，每个卷积层均配置有对应的池化层，用于通过特征提取器提取特征得到特征图；全局平均池化模块，所述全局平均池化模块包括一个卷积层和一个池化层，用于通过池化层对特征图进行全局平均池化，并输出特征向量；权重求和模块，所述权重求和模块用于基于注意力机制对维度统一化后特征向量进行加权求和，得到加权后特征向量；多头分类模块，所述多头分类模块包括多个全连接层，每个维度统一后特征向量对应一个全连接层，对于每个维度统一后特征向量，通过对应的全连接层进行识别分类得到诊断结果，并计算所有诊断结果的平均值作为最终诊断结果输出。5.根据权利要求4所述的基于深度学习的肺结核识别诊断模型，其特征在于所述权重求和模块包括：维度规约子模块，所述维度规约子模块包括一个全连接层，用于将输入的特征向量进的维度统一化，得到维度统一后特征向量，维度统一后特征向量表示为(b,1,c
′
1)...(b,1,c
′
n)，记为query(1...n)；维度拼接子模块，维度拼接子模块用于将输入的特征向量进行拼接，得到长维度的拼接后特征向量，拼接后特征向量表示为(b,n,c
′
)，并将其记为key和value；矩阵变换子模块，所述矩阵变换子模块用于对每个query进行如下操作：将key进行维度规约变为(b,c
′
,n),利用pytorch的bmm(batch matrixmultiply)对query和key进行矩阵乘法，得到矩阵(b,1,n),并记为weight,同样对weright和value进行矩阵乘法，得到(b,1,c
′
)，对(b,1,c
′
)进行维度规约得到(b,c
′
)，最终得到权重求和后特征向量，表示为(b,c
′
1)...(b,c
′
n)。6.基于深度学习的肺结核识别诊断方法，其特征在于包括如下步骤：构建肺结核诊断模型，所述肺结核诊断模型为如权利要求1-5任一项所述的基于深度学习的肺结核识别诊断模型；获取肺结核x-ray图像，每个肺结核x-ray图像对应有诊断标签；基于肺结核x-ray图像及其标签构建数据集，并将数据集划分为训练集合和测试集；以训练集中肺结核x-ray图像为输入、以诊断标签为输出，训练所述肺结核识别诊断模型中的三个策略模型，得到训练后肺结核识别诊断模型；以测试集中肺结核x-ray图像为输入，通过训练后肺结核识别诊断模型进行识别分类，每个策略模型输出对应的诊断结果；对于每个策略模型，将输出的诊断结果和相关的诊断标签进行比对，计算策略模型的预测准确率；选取准确率高的策略模型为目标模型，通过目标模型对待测肺结核x-ray图像进行识别分类。7.根据权利要求6所述的基于深度学习的肺结核识别诊断方法，其特征在于所述诊断标签包括正常/肺结核、继发性肺结核/结核性胸膜炎、非空洞/空洞、仅继发性肺结核/继发性肺结核且结核性胸膜炎、仅结核性胸膜炎/继发性肺结核且结核性胸膜炎。8.装置，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；所述至少一个处理器，用于调用所述机器可读程序，执行权利要求6至7中任一所述的方法。9.介质，为计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求6至7任一所述的方法。

技术总结
本发明公开了基于深度学习的肺结核识别诊断模型、方法、装置及介质，属于深度学习技术领域，要解决的技术问题为如何高效准确的对肺结核X-ray图像进行识别诊断。包括三个策略模型。以训练集中肺结核X-ray图像为输入、以诊断标签为输出，训练三个策略模型，得到训练后肺结核识别诊断模型；以测试集中肺结核X-ray图像为输入，通过训练后肺结核识别诊断模型进行识别分类，每个策略模型输出对应的诊断结果；对于每个策略模型，将输出的诊断结果和相关的诊断标签进行比对，计算策略模型的预测准确率；选取准确率高的策略模型为目标模型，通过目标模型对待测肺结核X-ray图像进行识别分类。类。类。


技术研发人员：杨高超 孙承旭 后永胜
受保护的技术使用者：山东健康医疗大数据有限公司
技术研发日：2021.10.12
技术公布日：2022/2/6