[發明專利]分類深度神經網絡模型的訓練方法、遺傳病檢測方法

在審

• 申請號: 202010127217.4
• 申請日: 2020-02-28
• 公開（公告）號: CN111341459A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 李辛;王秀敏;馬利莊;王劍;院旺;譚鑫
• 申請（專利權）人: 上海交通大學醫學院附屬上海兒童醫學中心
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海韌辰專利代理有限公司 31331
• 代理人: 劉秋蘭

1.一種分類深度神經網絡模型的訓練方法，所述分類深度神經網絡模型用于遺傳病檢測，其特征在于，包括：

構建遺傳病數據集；其中，所述遺傳病數據集包括遺傳病人臉數據集和分類標簽；

將所述遺傳病數據集中的訓練集輸入至所述分類深度神經網絡的預訓練模型以得到分類向量，并基于所述分類向量和所述分類標簽確定分類損失代價函數值；

基于所述分類損失代價函數值和訓練參數對所述分類深度神經網絡的預訓練模型進行訓練，直至所述分類損失代價函數值小于預設閾值時停止訓練，以得到訓練好的分類深度神經網絡模型。

2.如權利要求1所述的方法，其特征在于，所述基于所述分類向量和所述分類標簽確定分類損失代價函數值包括：

將所述分類向量和所述分類標簽進行交叉熵計算，以確定所述分類損失代價函數值。

3.如權利要求1所述的方法，其特征在于，所述分類深度神經網絡的預訓練模型是由深度卷積神經網絡ResNet50在數據集VGGFace2上進行訓練，且達到符合要求的檢測準確率后得到的。

4.如權利要求1所述的方法，其特征在于，分類損失代價函數為：

其中，x_i表示輸入的圖片，p(x_i)表示圖片x_i的分類標簽，q(x_i)表示圖片x_i的分類向量，i＝1,…,N，表示每個批次的圖片。

5.如權利要求1所述的方法，其特征在于，所述基于所述分類損失代價函數值和訓練參數對所述分類深度神經網絡的預訓練模型進行訓練采用的方法是隨機梯度下降法。

6.一種遺傳病檢測方法，其特征在于，包括：

獲取遺傳病患者的照片或視頻；

利用訓練好的人臉檢測器對所述遺傳病患者的照片或視頻進行識別，以檢測所述照片或視頻上的人臉；

將檢測到的人臉輸入訓練好的分類深度神經網絡模型中，并根據輸出的分類向量確定所述遺傳病患者的所患遺傳病的種類；其中，所述分類深度神經網絡模型是根據權利要求1～5中任一項所述的分類深度神經網絡模型的訓練方法訓練得到。

7.如權利要求6所述的方法，其特征在于，所述人臉檢測器通過如下方法進行訓練：

將遺傳病人臉數據集輸入所述人臉檢測器，并進行直方圖均衡化并歸一化處理；

確定待檢測的子窗口；

利用多個弱分類器對所述遺傳病人臉數據集中的待檢測圖片進行檢測；

當所述待檢測圖片通過所有弱分類器的識別，確定在所述待檢測圖片上檢測到人臉，以完成所述人臉檢測器的訓練。

8.一種分類深度神經網絡模型的訓練裝置，所述分類深度神經網絡模型用于遺傳病檢測，其特征在于，包括：

數據集構建模塊，用于構建遺傳病數據集；其中，所述遺傳病數據集包括遺傳病人臉數據集和分類標簽；

分類損失代價函數值確定模塊，用于將所述遺傳病數據集中的訓練集輸入至所述分類深度神經網絡的預訓練模型以得到分類向量，并基于所述分類向量和所述分類標簽確定分類損失代價函數值；

模型訓練模塊，用于基于所述分類損失代價函數值和訓練參數對所述分類深度神經網絡的預訓練模型進行訓練，直至所述分類損失代價函數值小于預設閾值時停止訓練，以得到訓練好的分類深度神經網絡模型。

9.如權利要求8所述的裝置，其特征在于，所述分類損失代價函數值確定模塊包括：

交叉熵計算單元，用于將所述分類向量和所述分類標簽進行交叉熵計算，以確定所述分類損失代價函數值。

10.一種遺傳病檢測裝置，其特征在于，包括：

獲取模塊，用于獲取遺傳病患者的照片或視頻；

識別模塊，用于利用訓練好的人臉檢測器對所述遺傳病患者的照片或視頻進行識別，以檢測所述照片或視頻上的人臉；

分類深度神經網絡模型處理模塊，用于將檢測到的人臉輸入訓練好的分類深度神經網絡模型中，并根據輸出的分類向量確定所述遺傳病患者的所患遺傳病的種類；其中，所述分類深度神經網絡模型是根據權利要求8～9中任一項所述的分類深度神經網絡模型的訓練裝置訓練得到。