[發(fā)明專利]分類深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、遺傳病檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010127217.4
• 申請(qǐng)日: 2020-02-28
• 公開（公告）號(hào): CN111341459A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 李辛;王秀敏;馬利莊;王劍;院旺;譚鑫
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)醫(yī)學(xué)院附屬上海兒童醫(yī)學(xué)中心
• 主分類號(hào): G16H50/70
• 分類號(hào): 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

本發(fā)明公開一種分類深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法及裝置、遺傳病檢測(cè)方法及裝置。訓(xùn)練方法包括：構(gòu)建遺傳病數(shù)據(jù)集；其中遺傳病數(shù)據(jù)集包括遺傳病人臉數(shù)據(jù)集和分類標(biāo)簽；將遺傳病數(shù)據(jù)集中的訓(xùn)練集輸入至分類深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型以得到分類向量，并基于分類向量和分類標(biāo)簽確定分類損失代價(jià)函數(shù)值；基于分類損失代價(jià)函數(shù)值和訓(xùn)練參數(shù)對(duì)分類深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，直至分類損失代價(jià)函數(shù)值小于預(yù)設(shè)閾值時(shí)停止訓(xùn)練，以得到訓(xùn)練好的分類深度神經(jīng)網(wǎng)絡(luò)模型。本技術(shù)方案可以自動(dòng)對(duì)患者的照片或視頻進(jìn)行檢測(cè)，輔助醫(yī)生進(jìn)行遺傳病的判斷，有利于節(jié)省大量的人力物力，同時(shí)可以緩解醫(yī)療資源的緊張和不平衡等問題。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，特別涉及一種分類深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法及裝置、遺傳病檢測(cè)方法及裝置。

背景技術(shù)

現(xiàn)在對(duì)于遺傳病的檢測(cè)，主要是通過采集被測(cè)試人員的血液然后通過基因檢測(cè)或生化，染色體等檢測(cè)方法，并結(jié)合醫(yī)生人工的臨床資料分析及判斷來得出最后的診斷結(jié)果。由于這種方法全程都需要人工以及高級(jí)醫(yī)療設(shè)備的參與，存在著以下方面的不足：

1現(xiàn)有的人工檢測(cè)的技術(shù)方法需要醫(yī)護(hù)人員的全程參與，以及部分高級(jí)的醫(yī)療檢測(cè)設(shè)備，需要投入巨大的人力成本，設(shè)備成本以及時(shí)間成本。

2因?yàn)獒t(yī)療設(shè)備的原因，被測(cè)試的人員只能前往有特定資質(zhì)的醫(yī)院進(jìn)行就醫(yī)檢查。而對(duì)于偏遠(yuǎn)欠發(fā)達(dá)地區(qū)來說，這無疑是一個(gè)比較苛刻的條件。醫(yī)院資源的不平衡會(huì)造成就醫(yī)的不方便以及部分醫(yī)生負(fù)擔(dān)過重的情況。

基于現(xiàn)有的人工檢測(cè)技術(shù)無法很好解決上述的問題，需要更為方便快捷的方式來進(jìn)行遺傳病的檢測(cè)或篩查。

發(fā)明內(nèi)容

本發(fā)明解決的問題是現(xiàn)有的人工檢測(cè)技術(shù)需要醫(yī)護(hù)人員全程參與，且需要有高級(jí)的醫(yī)療檢測(cè)設(shè)備，成本較高。

為解決上述問題，本發(fā)明實(shí)施例提供了一種分類深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，所述分類深度神經(jīng)網(wǎng)絡(luò)模型用于遺傳病檢測(cè)，包括：構(gòu)建遺傳病數(shù)據(jù)集；其中，所述遺傳病數(shù)據(jù)集包括遺傳病人臉數(shù)據(jù)集和分類標(biāo)簽；將所述遺傳病數(shù)據(jù)集中的訓(xùn)練集輸入至所述分類深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)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(biāo)簽確定分類損失代價(jià)函數(shù)值；基于所述分類損失代價(jià)函數(shù)值和訓(xùn)練參數(shù)對(duì)所述分類深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，直至所述分類損失代價(jià)函數(shù)值小于預(yù)設(shè)閾值時(shí)停止訓(xùn)練，以得到訓(xùn)練好的分類深度神經(jīng)網(wǎng)絡(luò)模型。

可選的，所述基于所述分類向量和所述分類標(biāo)簽確定分類損失代價(jià)函數(shù)值包括：將所述分類向量和所述分類標(biāo)簽進(jìn)行交叉熵計(jì)算，以確定所述分類損失代價(jià)函數(shù)值。

可選的，所述分類深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型是由深度卷積神經(jīng)網(wǎng)絡(luò)ResNet50在數(shù)據(jù)集VGGFace2上進(jìn)行訓(xùn)練，且達(dá)到到符合要求的檢測(cè)準(zhǔn)確率后得到的。

可選的，分類損失代價(jià)函數(shù)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(biāo)簽，q(x_i)表示圖片x_i的分類向量，i＝1,…,N，表示每個(gè)批次的圖片。

可選的，所述基于所述分類損失代價(jià)函數(shù)值和訓(xùn)練參數(shù)對(duì)所述分類深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練采用的方法是隨機(jī)梯度下降法。

可選的，所述遺傳病人臉數(shù)據(jù)集包括正常人臉和不同遺傳病患者的畸形人臉或異形人臉。

本發(fā)明實(shí)施例還提供了一種遺傳病檢測(cè)方法，包括：獲取遺傳病患者的照片或視頻；利用訓(xùn)練好的人臉檢測(cè)器對(duì)所述遺傳病患者的照片或視頻進(jìn)行識(shí)別，以檢測(cè)所述照片或視頻上的人臉；將檢測(cè)到的人臉輸入訓(xùn)練好的分類深度神經(jīng)網(wǎng)絡(luò)模型中，并根據(jù)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(jīng)網(wǎng)絡(luò)模型是上述訓(xùn)練方法訓(xùn)練得到。