[發明專利]一種基于神經網絡的胸部X光片識別檢測系統和方法

在審

• 申請號: 202110460040.4
• 申請日: 2021-04-27
• 公開（公告）號: CN113205126A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 蔡澤宇;杜秋玥;呂志;王澤毅;徐銀霞
• 申請（專利權）人: 武漢工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/00;G06F21/32
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮

1.一種基于神經網絡的胸部X光片識別檢測系統，其特征在于：包括身份驗證模塊、患者信息管理模塊、檢測模塊、數據庫模塊，身份驗證模塊、患者信息管理模塊、檢測模塊分別與數據庫模塊連接；

身份驗證模塊用于驗證系統使用者的賬戶和密碼，并開通與賬戶相應的權限；

患者信息管理模塊用于增加、刪除、編輯患者的信息；

檢測模塊用于搭建深度學習的神經網絡模型，比較待測圖像與數據庫中的圖像數據集，并判斷待測圖像是否為某種肺炎圖像；

數據庫模塊用于存儲使用者的身份信息、患者信息、肺炎病變圖像數據，分別供身份驗證模塊、患者信息管理模塊、檢測模塊調用。

2.根據權利要求1所述的一種基于神經網絡的胸部X光片識別檢測系統，其特征在于：深度學習的神經網絡模型包括用于訓練數據的數據生成器和用于驗證數據的數據生成器，用于將加載的圖像數據轉換為訓練數據并訓練目標；

用于訓練數據的數據生成器采用from keras.preprocessing定義；

用于驗證數據的數據生成器采用image import ImageDataGenerator定義。

3.根據權利要求1所述的一種基于神經網絡的胸部X光片識別檢測系統，其特征在于：

神經網絡模型為在VGG16模型中添加全連接層、在每個全連接層后進行批歸一化得到的改進VGG16神經網絡模型；

神經網絡模型依次包括Functional層、Dropout層、Flatten層、Batch層、Dense層、Batch層、Activation層、Dropout層、Dense層、Batch層、Activation層、Dropout層、Dense層；

Functional層為VGG16模型；

Dropout用于在訓練時按一定概率隨機丟棄神經元以提高訓練速度、防止過擬合；

Flatten在卷積層與全連接層之間，用于把卷積層輸出的多維數據拍扁成一維數據并輸入全連接層；

batch_normalization層用于通過批歸一化保持訓練數據和測試數據的分布相同；

Dense層為全連接層，其中每一個結點分別與上一層的所有結點相連，用于綜合提取到的特征；

Activation層采用激活函數Relu使歸零神經元的輸出，用于稀疏網絡、減少參數的相互依存關系，緩解過擬合。

4.根據權利要求1所述的一種基于神經網絡的胸部X光片識別檢測系統，其特征在于：圖像數據集包括訓練集和測試集，每個數據集分別包含正常圖像和病變圖像；從訓練集中隨機抽取20％的數據構成驗證集。

5.一種基于權利要求1至4中任意一項所述的基于神經網絡的胸部X光片識別檢測系統的檢測方法，其特征在于：包括以下步驟：

S1：搭建一種基于神經網絡的胸部X光片識別檢測系統，包括身份驗證模塊、患者信息管理模塊、檢測模塊、數據庫模塊；身份驗證模塊、患者信息管理模塊、檢測模塊分別與數據庫模塊連接；

S2：使用者登錄系統；

S3：向系統輸入患者的個人信息和患者胸部的X射線圖像，系統判斷患者是否患有肺炎疾病。

6.根據權利要求5所述的一種基于神經網絡的胸部X光片識別檢測方法，其特征在于：所述的步驟S1中，具體步驟為：

S11：在檢測模塊中搭建深度學習的神經網絡模型；

S12：從數據庫模塊中讀取肺部病變圖像數據集訓練神經網絡模型，使神經網絡模型根據患者胸部的X射線圖像應用CNN深度學習方法檢測患者是否患有肺炎疾病；

S13：在flask環境中構建基于web的檢測系統，用于加載訓練好的神經網絡模型并實時檢測圖像。