申请/专利权人：西安工业大学

申请日：2021-09-30

公开（公告）日：2024-06-14

公开（公告）号：CN113989833B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/774;A61B5/00;G06V10/82;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本发明涉及一种基于EfficientNet网络的口腔粘膜性疾病识别方法。其用于对口腔白斑和口腔扁平苔藓进行诊断识别，提高了诊断的效率、识别的准确率。本发明采用的方法为：1在白光下采集口腔白斑和口腔扁平苔藓图像，获得口腔粘膜性疾病的数据集；2对采集的图像进行预处理，包括数据清洗，去除异常数据，对图像进行数据增强，扩增数据集，将扩增后的数据集按照7:3划分为训练集和测试集；3选取EfficientNetB0作为主干网络并进行改进；4采用二次迁移学习方法对模型进行训练；5对收敛的模型进行渐进式微调进行渐进式微调，将卷积层逐渐释放并微调可训练层，直至将整个网络训练完成，最后以ACC准确率作为指标变化，选出最佳的微调卷积层的深度，作为最佳诊断网络。

主权项：1.一种基于EfficientNet网络的口腔粘膜性疾病识别方法，其特征在于：包括如下步骤：步骤1在白光下由医生通过相机进行拍摄，采集口腔白斑和口腔扁平苔藓两种口腔黏膜性疾病图像，用于后续的模型训练与测试；步骤2将采集到的口腔黏膜性疾病数据进行预处理，对数据进行清洗，删除掉病理特征不明显，且口腔内含有大量噪声的数据，对清洗后的数据利用Opencv开源库共进行五种数据扩增，将扩增后的数据按照7:3随机划分为训练集和测试集，训练集用于模型参数的训练，测试集用于对模型进行测评；步骤3选取EfficientNetB0作为主干网络，对网络进行改进；步骤4采用二次迁移学习方法对模型进行训练；步骤5对步骤4中收敛的模型进行渐进式微调进行渐进式微调，利用带动量SGD算法对模型进行微调，公式如下：υt+1＝βυt+1-βgwt+1＝ωt-α×υt+1两个式子中超参数β用于调节梯度的衰减效果，υt表示初始动量，g是梯度，α是学习速率，w是权重，将动量初始值设置0.9，学习速率LearningRate初始值设置为0.0001，将卷积层逐渐释放并微调可训练层，直至将整个网络训练完成，最后以ACC准确率作为指标变化，选出最佳的微调卷积层的深度，作为最佳诊断网络；所述步骤3的改进方法为：步骤3.1将网络的顶层去掉，构建新的分类层，加入一层全局池化层GAP,一层2048个神经元的全连接层，一层BNBatchNormalization，BN层，一层1024个神经元的全连接层，一层BN层，以及最后的输出层包含2个神经元的Softmax分类器；步骤3.2对激活函数进行改进，使用Mish激活函数Mish的表达式为：fx＝r*tanhln1+ex步骤3.3对损失函数进行改进，使用FocalLoss作为损失函数，FocalLoss源于二分类交叉熵损失函数：L＝-ylogy′-1-ylog1-y′在原先的基础式子中新加入一个调节因子γ，Lfl＝-y1-y′γlogy′-1-yy′γlog1-y′1-y′γ称为调节系数，当y′趋于0时，调制系数趋于1，对于整体的loss贡献很大；当y′趋于1时，调制系数趋于0；在上面式子的基础上，再引入一个平衡因子θ公式如下所示：Lfl＝-θy1-y′γlogy′-1-θ1-yy′γlog1-y′整理上面的式子得到本文损失函数FocalLoss式子如下式所示，LFL＝-αt1-y′γlogy′；所述的步骤4的训练方法为：步骤4.1将改进后的EfficientNetB0在ISIC2018皮肤数据集进行一次迁移学习，将训练的参数保存；步骤4.2将步骤4.1保存的参数迁移至步骤2中划分的口腔数据训练集上进行训练，直至模型收敛。

全文数据：

权利要求：

百度查询： 西安工业大学 一种基于EfficientNet网络的口腔粘膜性疾病识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD