[發(fā)明專利]一種基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011135277.7
• 申請(qǐng)日: 2020-10-21
• 公開(kāi)（公告）號(hào): CN112349427A
• 公開(kāi)（公告）日: 2021-02-09
• 發(fā)明（設(shè)計(jì)）人: 許家佗;屠立平;崔驥;李軍;胡曉娟;江濤
• 申請(qǐng)（專利權(quán)）人: 上海中醫(yī)藥大學(xué)
• 主分類號(hào): G16H50/80
• 分類號(hào): G16H50/80;G16H50/30;G16H20/90;G06T7/00;G06T7/90;G06N3/04;G06N3/08
• 代理公司: 上海申新律師事務(wù)所 31272
• 代理人: 吳軼淳

1.一種基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法，其特征在于，包括：

步驟S1，構(gòu)建舌象數(shù)據(jù)集，所述舌象數(shù)據(jù)集包括多張舌象圖片及每張所述舌象圖片對(duì)應(yīng)的診斷結(jié)果；

步驟S2，對(duì)所述舌象數(shù)據(jù)集中的所有所述舌象圖片進(jìn)行預(yù)處理；

步驟S3，將處理后的所述舌象圖片按照所述診斷結(jié)果進(jìn)行分類并標(biāo)記，得到所述舌象圖片對(duì)應(yīng)的舌象數(shù)據(jù)；

步驟S4，將標(biāo)記好的所述舌象數(shù)據(jù)集劃分為訓(xùn)練集，驗(yàn)證集，測(cè)試集；

步驟S5，構(gòu)建深度殘差卷積神經(jīng)網(wǎng)絡(luò)，使用所述深度殘差卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述訓(xùn)練集中的所述舌象圖片進(jìn)行訓(xùn)練，得到風(fēng)險(xiǎn)預(yù)測(cè)模型；

步驟S6，根據(jù)所述驗(yàn)證集中的所述舌象圖片對(duì)所述風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行測(cè)試；以及

根據(jù)所述測(cè)試集中的所述舌象圖片對(duì)所述風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行評(píng)估。

2.根據(jù)權(quán)利要求1所述的基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法，其特征在于，所述步驟S2包括：

步驟S21，根據(jù)一預(yù)設(shè)的圖像調(diào)整比例，得到一圖像尺寸；

步驟S22，根據(jù)所述圖像尺寸調(diào)整所述舌象圖片的尺寸；

步驟S23，將調(diào)整尺寸后的所述舌象圖片粘貼到一空白畫(huà)布，并處理得到基于紅、綠、藍(lán)三種顏色的色彩空間中的圖像；

步驟S24，分別對(duì)所述步驟S23中的圖像進(jìn)行歸一化處理。

3.根據(jù)權(quán)利要求1所述的基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法，其特征在于，于訓(xùn)練所述風(fēng)險(xiǎn)預(yù)測(cè)模型之前，對(duì)所述深度殘差卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化。

4.根據(jù)權(quán)利要求1所述的基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法，其特征在于，所述步驟S4中，所述測(cè)試集、所述驗(yàn)證集和所述訓(xùn)練集均包括不同診斷結(jié)果的舌象圖片；

所述訓(xùn)練集中的所述舌象圖片的數(shù)量大于所述測(cè)試集中的所述舌象圖片的數(shù)量；以及

所述訓(xùn)練集中的所述舌象圖片的數(shù)量大于所述驗(yàn)證集中的所述舌象圖片的數(shù)量。

5.根據(jù)權(quán)利要求1所述的基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法，其特征在于，于進(jìn)入所述步驟S3之前，于一預(yù)設(shè)范圍內(nèi)對(duì)預(yù)處理后的所述舌象圖片分別進(jìn)行旋轉(zhuǎn)處理、縮放處理、平移處理、水平翻轉(zhuǎn)處理。

6.根據(jù)權(quán)利要求1所述的基于舌象和深度殘差卷積神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)方法，其特征在于，所述風(fēng)險(xiǎn)預(yù)測(cè)模型包括依次連接的第一輸入模塊、第一處理模塊、第二處理模塊、第三處理模塊、第四處理模塊、第五處理模塊、第六處理模塊、第一輸出模塊；

所述第一處理模塊包括一卷積層、一批量標(biāo)準(zhǔn)化層、一激活函數(shù)層和一池化層，所述卷積層包括64個(gè)卷積核，所述卷積核的大小為7*7，所述卷積核的步長(zhǎng)為2*2，所述批量標(biāo)準(zhǔn)化層的特征軸的值為3，所述池化層的池化核的大小為3*3，所述池化核的步長(zhǎng)為2*2。

所述第二處理模塊、所述第三處理模塊和所述第四處理模塊和所述第五處理模塊均包括所述卷積殘差塊和若干個(gè)所述恒等殘差塊，其中所述第二處理模塊和所述第五處理模塊中所述恒等殘差塊的數(shù)量相同；

所述第六處理模塊包括一池化層、一Dropout層和一全連接層，所述Dropout層的概率值為0.5，所述全連接層包括1024個(gè)神經(jīng)元。